|
▼ 摘要：针对超低空飞行问题，阐述了有人机、无人机、导弹相关领域技术发展及应用情况。围绕基于数字高程图的超低空飞行制导控制技术、基于单目视觉的障碍物探测及深度估计技术、飞行器视觉辅助超低空飞行技术三个方面，分析了相关算法研究进展。最后结合相关领域研究工作认识，总结了飞行器超低空飞行技术后续研究重点，对提高未来飞行器突防能力具有一定参考意义。 关键词：超低空飞行;单目视觉;制导控制;有人机/无人机 军用无人飞行器为提高隐蔽突防概率或战斗载荷毁伤效能，超低空飞行是经常采取的战术；民用飞行器在森林防火、紧急医疗救援等任务中也经常采用超低空飞行方式。超低空飞行特别是在恶劣条件下，对飞行操控人员工作负担带来极大挑战，随着计算机、传感器、信号处理等技术的发展，研究人员开展了大量更多依赖计算机的自主或半自主超低空飞行技术。 不同类型飞行器在超低空飞行中面临的问题也有所不同，主要集中在传感器配置不同、飞行动力学特性不同、应用保障条件不同三个方面。对于配备雷达等主动测距传感器的飞行器，其超低空飞行技术的实质是实时制导算法的问题，但是近年来基于视觉被动传感器实现避障的研究成为热点，其难点在于被动测距算法的精度和环境适应性问题；旋翼、固定翼飞行器动力学特性的不同，决定了固定翼超低空飞行技术难度相对更大；大型无人飞行器如战斗机、导弹在作战中会有数字高程图保障信息，基于数字高程图的超低空飞行制导算法是研究重点，对应的微小型无人机则需要实现在完成未知环境下的安全飞行。 本文研究目的在于总结不同应用背景下超低空飞行制导控制算法研究成果，吃透核心算法，针对固定翼基于单目视觉辅助的超低空飞行技术应用，明确目前存在问题和后续研究重点。 针对有人机、无人机、导弹三类不同飞行器，概述飞行器超低空飞行技术的发展现状和先进技术成果。 1.1有人机/无人机超低空飞行技术 NASA艾姆斯研究中心为直升机超低空地形跟踪/地形回避（TF/TA）飞行开发了一套自主导航制导系统。该系统首先选择了利用地形数字高程图，通过代价函数，实时确定导航点和三维TF/TA航迹。为了提高飞机的离地高度定位精度，研究并开发了一种卡尔曼滤波算法，将雷达高度计测量值、导航系统垂直位置测量值和存储的数字地高程形数据进行融合，增加雷达高度滤波算法后，在80节飞行速度的飞行试验中，从原来的300英尺离地高度降低到了150英尺离地高度。为了进一步降低飞行高度，该团队将一种25°x50°视场、角度分辨率为1°、1500m探测范围的宽视场激光雷达传感器集成到制导系统中，用于探测视场中所有的障碍物特别是高压电线，试验结果表明，探测一根直径为1英寸的湿电线，在夜间飞行2km能见度60°入射角条件下可探测400m处的电线，距离精度约为2.5m，方位和仰角精度为1°。传感器的探测信息被用来生成一个惯性系下以飞机为中心的障碍物实时数据库，具备了对未知障碍物实时规避能力，飞行试验结果表明相同条件下离地高度可以进一步降低到75英尺。 有研究对直升机贴地飞行相关技术进行了详细综述，指出贴地飞行制导算法分为三个层次：全局任务规划（mission planning）、局部航迹成形（trajectory shapping）和近距离实时障碍物探测与规避。前两个层次是基于数字高程图和障碍物保障信息的，最后一个层次是基于机上探测器实时探测信息驱动的。为了隐蔽不向外辐射电磁波，障碍物探测器主要采用大视场被动探测器，但同时为了探测细小障碍物也需要小功率高分辨率的主动探测器。 图 1 三阶段超低空飞行技术方案 1.2微小型飞行器超低空飞行技术 从最近几次局部冲突可以发现，微小型飞行器在军用领域的应用越来越广，特别是在侦察、监视、数据中继、毁伤评估、集群攻击等应用方面。目前这些微小型飞行器仍限于开阔空间飞行，但很多潜在的应用需要尽可能地贴近地面进行低空飞行，比如在楼宇遍布的城市环境以及山谷飞行，因此急需突破复杂环境中自主避障超低空飞行制导控制这一瓶颈技术。 杨百翰大学研究人员针对固定翼微小型飞行器在山区峡谷穿行自主避障开展了深入研究和飞行测试。固定翼飞行器避障存在较大挑战集中在以下几个方面：载荷尺寸重量和功耗受限、机上计算资源非常有限、固定翼飞行器飞行速度快且不能悬停、对障碍物规避算法实时性要求高、飞行器的姿态变化使得障碍物探测越发复杂特别是转弯过程中。研究人员首先利用卫星地图信息为飞行器规划一条名义路径，但考虑到卫星地图存在精度有限、未及时更新、位置存在偏差等问题，故在飞行器上装载了光流传感器用来实时探测飞行前方两侧的障碍物和地形，如图2所示。  图 2分别是飞行试验用的固定翼飞行器和光流传感器，翼展1.5m，最大载荷0.4kg条件下可连续飞行45min。为满足避障需求该飞机装载了3个光流传感器，其中两个前视传感器与机体轴成60°夹角而不是正侧向，主要是为了克服传感器延时带来的影响，还有一个光流传感器指向下用于测量飞行器离地高度。 图 3为试验过程中飞行器在峡谷中的飞行场景，左图右上角图像为飞行器摄像机拍摄到的前方场景。右图黄色航迹为事先规划的名义路径，该路径故意规划靠近右侧的峭壁，蓝色航迹为实飞，试验结果表明利用光流传感器获取实时障碍物信息，有效避免了飞行器对峭壁障碍的碰撞，实现了“钻山沟”隐蔽飞行。   小型户外无人机的障碍物探测是个很有挑战性的问题。常用传感器，如激光测距仪通常只支持二维探测，而且通常太重，极大影响飞机的飞行时间。其他测距器，如Microsoft Kinect 和PrimeSense 系统依赖较少聚焦红外光，在明亮的室外无法工作。有研究利用双目视觉，提出了一种新的立体视觉算法，能够在机载ARM处理器上检测障碍，每秒处理120帧图像。机上障碍物探测系统执行标准块匹配立体视觉处理，只搜索单一深度的障碍物。通过使用机载IMU和状态估计器，可以完全恢复障碍的位置和深度，建立和更新本地深度地图。试验结果表明在高速小型无人机上，飞行速度约14m/s条件下，系统表现出良好的自主避障性能，如图4所示。   图 4无人机自动避开树木障碍的飞行试验场景（左图），机载第一视角成像，红色的被识别标记为障碍物（右图） 1.3导弹超低空飞行技术 受保密因素影响，导弹超低空飞行技术资料在互联网上很少能够获取。据悉，国外实现地形跟踪技术的现役型号有美国战斧巡航导弹BGM-109A，俄罗斯“撑杆”AS-15导弹，美国“先进巡航导弹”AGM-129A，法国ASLP等，这些型号主要采用雷达高度表进行离地高度测量，以距地面等高方式实现地形跟踪，跟踪高度在50～150m。 地形跟踪飞行就是在满足撞地概率、飞行器机动能力、飞行时间、航程损失前提下，尽可能低的贴地飞行。地形跟踪分为制导和控制两个阶段，制导阶段生成如弹道倾角、过载、飞行高度、飞行速度等指令，控制阶段操控气动舵面和发动机油门实现对制导指令的精确跟踪。 地形跟踪制导算法大致可以分为两类，一类是适应角法、样板法；另外一类可统称为参考航迹法。 2.1适应角法 适应角法用于飞机如F-111和B-1、样板法应用在“龙卷风”和“幻影2000”等，这类方法主要应用于利用前视传感器实时获取障碍物及地形数据生成制导指令。虽然研究过程中出现了不少地形跟踪算法，但是由于其自身原理的缺陷和弹载设备能力的局限，许多都未能付诸于实现。到目前为止仅有适应角法和样板法得到了工程上的应用与发展。其中适应角法的应用最为广泛，它既可以用于飞机上手动人工地形跟踪系统，又可应用于自动地形跟踪，是第一代地形跟踪系统的核心。 适应角法是在早期角指令法的基础上发展起来的，角指令法总是控制导弹以一定的安全高度飞越雷达探测范围内的地形最高点，这样导弹只会从一个顶峰飞到另一个顶峰。该算法虽然在由顶峰到顶峰的飞行中跟踪性能良好，但拉起早、下降慢、飞行高度高、暴露时间长，跟踪飞行的效果不够理想。因此在上世纪60年代，美国的皮尔顿博士（Dr.Frank.Pelton）提出了“适应角法”，即在早期角指令法的基础上引入了一个“抑制函数”，并附加了信号整形，一定程度上克服了早期角指令法的弊病。 抑制函数是与飞行器飞行状态及前方地形特征有关的函数，其取值受导弹距山峰的距离、飞行速度、离地高度等因素的影响，其中主要取决于导弹到山峰的距离。当导弹距山峰较远时，可以选择较大的抑制函数值，使导弹推迟拉起，在一定时间内保持平飞甚至俯冲下滑。随着导弹接近山峰，抑制函数的值逐渐减小，抑制作用减弱，从而保证导弹能安全飞越山峰。 适应角法应用存在的主要问题是抑制函数形式及参数的选择方法，选取不同的参数对地形跟踪的性能影响很大，甚至会带来较大的撞地风险，如何根据地形统计特性选择合适的抑制函数以保证可接受的撞地概率，是解决适应角法工程应用的关键问题。 2.2参考航迹法 参考航迹法是基于数字高程图，在飞行器机动能力、导航误差等约束条件下利用优化算法生成超低空飞行参考航迹。 参考航迹法是由Funk首次提出的，期望的参考航迹用高度的三次样条曲线表示；起初的研究在优化参考航迹时仅仅考虑了飞行器的运动学特性而未考虑飞行器的动力学特性，因此规划出的参考航迹往往太过理想，会超出飞行器的机动能力限制。复杂环境下的最优路径规划需要消耗极大的计算资源和时间资源，为解决这一问题，研究人员提出了快速寻找可行但不一定最优参考航迹的算法，其中一种称为快速随机树（RRT）的随机方法最为典型，该方法同时解决了飞行器动力学及运动学特性约束条件下的路径规划问题。 Lu P等采用了逆动力学和预测控制的方法，在这些研究中，质点动力学模型被用来寻找地形跟踪路径，以最小化飞行时间，值得注意的是，逆动力学方法被用于最优离线航迹生成，而预测控制方法常被提出用于在线应用目的。Amirreza K等基于神经网络的研究了一种在线实时生成最优地形跟踪参考航迹的方法：首先是为某些确定的地形寻找一组最优的离线航迹，采用逆动力学方法生成离线航迹，生成的离线路径随后被用于多层神经网络的训练，因此训练后的神经网络可以在线应用，由于训练后的神经网络生成航迹的计算时间很短，因此这种方法可以被认为是在线路径规划的一种有效方法。 超低空飞行较定高平飞有利于隐蔽突防，但是额外的纵向机动势必带来能量损失和额外的燃油消耗，对于不具备空中加油条件的飞行器，特别是在某些极限目标航程条件必须对超低空飞行带来的航程损失进行估计和约束，以保证足够燃油飞抵目标。从查阅的相关参考文献，在飞行航迹优化时大多考虑飞行器的过载、最大爬升角、最大下滑角等约束，基本没有考虑航程损失约束，但是在实际工程应用经验看，如果不考虑航程损失约束而生成的作战飞行任务是不可能被采用的。 上述研究考虑了约束、维度以及算法效率等方面，但均并未考虑足够全面的约束，特别是在实际使用时必须考虑的一些关键因素：如超低空飞行机动带来的航程损失约束、撞地概率、导航误差等约束。 在无数字高程地图保障的完全未知区域实现超低空飞行，将完全依赖实时障碍物探测传感器，用于超低空飞行避障的传感器有超声波、单目视觉、双目视觉、复眼、雷达等多种传感器，综合考虑成本、体积、重量等多方面因素，单目视觉辅助超低空飞行成为近年研究热点，本节重点探讨单目视觉障碍物探测技术。 单目视觉障碍物探测及深度估计技术大体可以分为三类：基于场的方法、基于特征的方法、基于学习的方法。基于场的方法借鉴昆虫视觉感知原理属于一类仿生技术，利用相机和场景间相对运动带来的相平面上强度的流动即“光流”，来感知周围障碍物及相对位置关系；基于特征的方法是利用同名点不同时刻在像平面上位置变化（视差）来估计障碍物的深度，特征的提取和同名点的精确匹配是关键；基于学习的方法近两年随着深度学习技术的进步成为重点研究方向，此类方法可以利用更加丰富的图像信息，有望在精度和正确率上达到更佳效果。 3.1基于场的方法 图像亮度在二维成像平面上的运动称为光流。光流产生的必要条件是相对运动，生物研究结果表明昆虫就是利用光流进行导航、飞行和着陆的，这说明光流中包含有丰富的三维运动和场景信息。 光流使用模式可以分为两类，一类是视线方向与运动方向垂直，该使用模式主要用于飞行器导航定位；另一类是视线方向与运动方向重合，该使用模式用于感知飞行前方的障碍物。从相邻图像序列图像中提取稳定精确光流信息是关键技术。 在实际应用中光流发仍存在许多问题：首先光流法假设亮度恒定和时间连续，认为连续两帧图像间不会有过大的亮度变化，因此光流法明显的缺陷就是受光照变化影响大。目前大多数基于光流的避障算法都是针对无人机在室内或光照强度变化不大的场景下有效，而一旦场景光照强度变化较大，基于光流的避障算法未必可行。光流法忽略了像素点间的关联性，容易受到噪声的影响。另一个挑战是利用光流估计深度这一过程，需要将相机姿态变化所带来的光流从总的光流中剔除，而只保留平动光流成分，因此姿态扰动光流的精确补偿成为影响光流估计深度精度的关键。 3.2基于特征的方法 在立体视觉中，寻找图像对之间的对应关系是难点，目前局部特征提取算法主要分为三类：角点检测方法、斑点检测方法和区域检测方法。2000年Lowe提出了高效的SIFT （Scale Invariant Feature Transform）局部特征，它是局部特征研究过程中里程碑式的工作。Lowe利用金字塔和高斯核滤波差分来快速的求解高斯拉普拉斯空间中的极值点，加快了特征提取的速度，在图像旋转、尺度变化、仿射变换和视角变化条件下都有很好的不变性。另一项有影响力的局部特征研究是Matas提出的最大稳定极值区域（Maximally Stable Extremal Regions, MSERs）局部特征检测方法，该方法借用分水岭思路用于检测图像中灰度最稳定的局部区域，然后对检测区域进行旋转和尺度的归一化，最后得到的局部特征具有严格意义上的仿射不变性。在得到同名点的基础上，利用立体视觉和距离测量原理可以完成障碍物的距离估算。 国内研究学者在利用单目序列图像进行障碍物探测以及距离解算方面的研究取得了一定成果，早期针对特定类型障碍物检测和距离解算算法进行了研究，主要成果包括基于Canny算子、OTSU准则分割等经典算法的天地线提取技术、基于场景分层和深度标记的障碍物检测与测量技术以及基于障碍物先验知识和运动视觉约束的障碍物检测与测量技术等，这些算法对于简单场景下特定类型障碍物的深度恢复具有一定的效果，但是存在适应障碍物的类型有限、深度恢复精度较差等问题；近年又开展了通用场景障碍物探测和距离解算算法的研究，主要成果有基于局部特征的障碍物检测技术、基于同轴投影、最小二乘的距离解算技术以及基于匹配聚类的距离解算技术等，这些算法不再针对特定类型障碍物进行处理，而是对整幅图像进行场景深度恢复，从而完成对飞行前方障碍物信息的获取。研究发现距离解算结果对于相机姿态角误差十分敏感，对飞行正前方区域（定义为“对极点死区”）信息无法精确恢复等问题。对极点死区现象如图5所示，左为原始图像，右为恢复出的深度信息，右图实心小圆圈，表示该特征点距离解算结果的相对误差大于10%，蓝色表示解算误差范围在(10%,15%]区间、红色表示解算误差范围在(15%,20%]区间、绿色表示解算误差大于20%。值得一提的是对于超低空飞行避障，对极点死区内无法精确估计方位的物体恰恰是关键的障碍物。   3.3基于学习的方法 近些年更多的研究采用深度神经网络方法实现单目图像的深度估计，以图像原始像素灰度作为神经网络输入，实现场景深度预测，特征提取及深度相关语义分析都由网络确定。这类深度估计算法又可分为监督方式与无监督方式的计算模型。 有监督方式如Eigen D所提方法。这类方法较传统，利用{ RGB图像+深度图 }作为训练样本集，按监督学习方式训练计算模型，测试和使用过程直接输入图像输出估计深度结果。但是这种有监督的学习需要的训练样本需像素级的标定，工作量惊人。 无监督方式练模型时无需利用图像深度数据。Garg用左右眼图像(stereo images)训练神经网络，采用自编码的方式将图像编码成深度图。该方法采用图像映射/重建误差作为神经网络训练的误差函数，训练过程不需要图像实际深度信息，因此称为无监督学习,网络结构如图6所示： 图 6 无监督学习,网络结构 Zhou也采用无监督学习方法训练网络，该方法似乎更加‘unsupervised’,因为训练时甚至不需要左右眼图像，而只需要单目视觉图像序列。神经网络训练时，根据输入的前后帧图像（slightly different view point）估计当前帧图像的深度和相机的姿态信息，再用图像变换方法将当前帧映射到前后帧图像，通过最小化映射后图像的误差估计图像深度和相机姿态。网络训练完成后，根据输入图像（单帧）按网络直接输出该图像的场景深度图。无监督学习方法不需要实际图像深度信息，因此训练样本非常容易获取，从而训练的网络也较可靠。 深度学习的方法存在的主要问题主要是对样本的极度依赖和算法的泛化能力。 （1） 超低空飞行制导控制面临的问题和思考 适应角法应用存在的主要问题是抑制函数形式及参数的选择方法，如何根据地形统计特性选择合适的抑制函数以保证可接受的撞地概率，是解决适应角法工程应用的关键问题。参考航迹法目前研究成果中考虑了约束、维度以及算法效率等方面，但均并未考虑足够全面的约束，有必要在这些研究成果的基础上，研究综合各种约束条件的参考航迹生成算法，保证参考航迹法更加具有实际应用价值。 （2） 单目视觉深度估计面临的问题和思考 总体来讲，基于深度学习的方法虽然在某些情况下能得到更好的深度估计，但是这类算法需要大量的训练样本，此外对没有训练过的场景的泛化能力尚不能满足使用需求。值得特别指出的是这些算法给出的深度图是相对深度，对于避障需求必须解决尺度缩放因子估计。此外，传统算法仅能输出图像中某些稀疏特征点的深度信息，而深度学习算法能够输出稠密点的深度信息，可以更好地满足避障需求。 文中提及的单目视觉障碍物探测和深度估计方法，在实际使用过程中各自有不同的优缺点，因此可以考虑多种方法的综合应用技术，扬长避短以提高环境适应性和可靠性。基于场的方法和基于特征的方法都是基于视差进行深度估计，因此存在“对极点死区”问题，而对极点死区内的障碍物恰好位于速度矢量方向，对飞行器的安全起到关键作用，因此如何解决对极点死区问题是实际应用必须解决的瓶颈问题。 本文在总结分析国内外飞行器超低空飞行应用和技术发展的基础上，针对固定翼基于单目视觉辅助的超低空飞行应用，指出基于数字高程图的适应角法，需重点解决抑制函数参数自适应选择问题;同时可尝试利用高斯伪谱法、滚动时域优化等方法解决复杂约束条件轨迹快速优化问题;在单目视觉障碍物探测方面，需要结合深度学习和传统算法，发挥各自在特征提取、特征匹配、距离估计等方面的优势，重点解决对极点死区问题。这些关键技术的突破，对提高飞行器超低空突防能力意义重大。 本文选自《战术导弹技术》2019年第1期 作者：魏东辉，程进，陈万春 |
|
|
来自： 昵称m5Gu5 > 《装备技术发展应用》
