面向野外山林作业的无人机系统关键技术

Unmanned aerial vehicle (UAV) or drone is an ideal platform for tackling missions in complicated forest environments, such as search and rescue as well as powerline inspection in mountainous areas. In this project, we aim to develop some core control technologies for operating UAVs in mountains and complicated forest environments. We will adopt techniques related to optimal control, differential graphical game and adaptive dynamic programming to achieve optimal and real time mission management, path planning and trajectory generation for unmanned aerial systems. To tackle wind gust uncertainties in wild forest fields, we propose a trajectory following method based on H-infinity control and adaptive dynamic programming together with a vague-PID method, which effectuates the robustness and rapidity of trajectory and the stability of UAV attitude, respectively. Considering that GPS is often not available in certain mountainous areas, we propose a vision-based SLAM fused with necessary inertial sensors to achieve the autonomous navigation and control of UAVs in GPS-denied environments. As in actual operations, UAVs will have encounter fierce weather and environmental conditions, such as rain, snow, fog and haze. We thus propose a multi-sensor fusion technique and a deep learning method based on CNN(convolutional neural network) to achieve the required processing speed and accuracy. In summary, this research project is targeted to lay out a technical and theoretical foundation for operating unmanned aerial systems in complicated forest environments. We believe it would push the applications of drones to the next level.

无人机是执行山林地带目标搜索、输电线路巡视、森林资源监测管理等复杂野外山林环境下的作业任务的理想工具。本项目将对野外山林作业环境下的无人机关键控制技术进行研究。采用最优控制、图上合作微分博弈和自适应动态规划实现了无人机航路规划的最优性和实时性。针对野外山林环境中存在不确定风场的问题，提出了基于H∞控制和自适应动态规划的无人机航迹跟踪控制方法，确保了无人机航迹规划的鲁棒性和快速性，同时采用Vague-PID控制确保无人机姿态的稳定性。针对野外山林环境中经常出现的GPS不可用问题，结合视觉传感器、惯性传感器等提出了视觉SLAM方案，可实现无人机在无GPS环境下的自主导航。考虑到无人机作业中会遭遇雨雪雾霾等不利天气，为提高无人机的目标识别能力，提出了多传感器数据融合技术和基于深度学习CNN卷积神经网络的目标识别方法，以满足对识别速度与精度的要求。该研究可为复杂野外山林环境下无人机的作业提供技术和理论支持。

无人机因其低风险、低成本和高机动性等优势，在环境监测管理、边境巡查、安防救援等行业中成为任务执行的首选载体。然而，在野外山林环境中，因其地形危险复杂、气候多变恶劣等诸多限制因素，无人机如何高效可靠作业的问题越来越突出。本项目结合微分博弈、H∞控制、自适应动态规划、视觉SLAM、多传感器信息融合、目标检测与跟踪识别等方法，针对野外山林作业环境下无人机飞行、定位、跟踪等关键技术开展了深入研究，取得了如下的创新性成果。针对山林环境中目标跟踪与协同作业需求，提出了综合无人机自身动态可行性、轨迹平滑性、传感器约束以及控制死锁等的轨迹规划方法，有效地解决了实时、高效的轨迹生成问题。针对野外强风场扰动，提出了基于多变量增益调度+前馈+自抗扰的姿态控制系统，实现了强风场不确定性扰动下的稳定飞行。针对强风场环境下的飞行轨迹跟踪问题，提出了基于非线性零和动态博弈结合自适应Q在线学习方法，解决了风场环境下无人机航迹跟踪问题。针对野外山林无GPS环境下的无人机定位需求，提出了基于视觉和惯性传感器融合并结合树干圆柱特征的方法，提升定位精度，克服了山林环境下卫星导航可靠性差、惯性导航积分漂移等问题。针对野外山林环境中的烟雾等不利天气，提出了基于生成式对抗网络结合ST-SSD模型，进行图像去雾与目标检测，解决了目标运动和姿态变化与镜头变换所导致的跟踪失败等问题，提升了检测准确性与稳定性；进一步基于AC-GAN框架设计了细粒度目标分类网络，提升类间检测精度，并结合KCF跟踪算法，实现了稳定高效的目标检测与跟踪。搭建了复杂山林环境下作业的无人机仿真验证系统和实验验证系统各1套，对项目研究内容进行了仿真与实验验证。研究团队共发表学术论文37篇，其中SCI检索18篇，授权或受理发明专利10项，登记软件著作权2项。在人才培养方面，培养博士研究生6名，硕士研究生12名。在国际国内多个无人机赛事（MBZIRC、IMAV、无人争锋等）中多次获得冠军等奖项。