基于三维激光雷达相对定位的伴随无人机对微型飞行器的协同导航与制导_

无人机传感器最可靠的选择之一是3D LiDAR。LiDAR精确，距离远，即使在无照明和低能见度条件下也表现出良好的性能。但是，它们的成本相对较大，重量和尺寸相对较大。在许多实际应用中，部署一组无人机往往能够更快地覆盖更大的区域，但3D LiDAR的高成本显着增加了这种无人机机队的总体成本。相反，视觉相机价格便宜，体积小，重量轻，功耗低。视觉定位的无人机可能非常小，并且能够通过非常狭窄的间隙飞行。这种无人机的整体价格远低于配备大型3D LiDAR的无人机的价格。视觉自定位的使用也有其缺点，因为它在无纹理环境中会失去精度，并且其长期漂移比3D LiDAR更大。此外，使用运动方法结构的单目相机获得的3D模型无法与使用3D LiDAR构建的地图的准确性和质量相媲美，这对于在未知环境中进行制图和规划至关重要。

我们提出了一种协同导航方法，协同了两种类型传感器的优点。我们为异构自主无人机团队设计了一种协作导航架构（见图1）。主无人机配备3D激光雷达，并利用激光雷达SLAM算法将自身定位在周围环境中。辅助无人机携带单目视觉相机，并使用VIO方法进行自我定位。然后，主无人机获得的3D LiDAR数据也用于辅助无人机的无标记相对定位。相对定位使主无人机能够在其更准确、更可靠的激光雷达SLAM算法的参考系中引导副无人机。这种方法能够建立一个机器人团队，其中一个或多个配备3D LiDAR的大型无人机正在引导一个或多个配备微型摄像头的无人机。

图1 配备3D LiDAR的大型主无人机正在驾驶一架携带单目视觉相机的小型辅助无人机

所提出的合作导航和制导方法的框图如图2所示。主无人机根据LiDAR数据在环境中导航。同时，主无人机从LiDAR扫描中检测辅助无人机并跟踪其运动。辅助无人机的目标点可以由运行在主无人机上的更高级别的规划算法生成，也可以由基于LiDAR数据的人类操作员生成。主无人机通过无线网络向辅助无人机发送位置命令。主无人机和副无人机共同形成一个控制辅助无人机位置的反馈回路。

图2 拟议的合作导航方法示意图

所提出的合作导航方法的性能在利用Gazebo机器人模拟器的计算机模拟中得到了广泛的评估。模拟在OpenRobotics的Urban 2 Story室内环境中进行（见图3）。主无人机携带模拟3D LiDAR，其参数与真实世界实验评估中使用的参数相同。LiDAR数据既用于主无人机的闭环控制，也用于副无人机的相对定位。辅助无人机携带了一个带有IMU的模拟鱼眼摄像头。VINS-Mono算法利用相机数据进行自我定位，从而用于辅助无人机的闭环控制。

图3 无人机在模拟环境中飞行。主无人机遵循直线轨迹，同时引导辅助无人机完成周围的矩形轨迹

在每次模拟中，主无人机都在直线轨迹上来回飞行。同时，主无人机引导辅助无人机飞过LiDAR SLAM框架中定义的航点，围绕主无人机形成矩形轨迹。无人机的航向和高度在飞行过程中保持不变。在每次运行模拟期间，辅助无人机的任务是完成矩形轨迹10 次。无人机在其中一次模拟运行期间穿越的轨迹如图 4 所示。

图4 无人机在其中一次模拟中穿越的轨迹

实际实验评估中使用的无人机平台如图5所示。主无人机建立在塔罗牌650框架上，搭载英特尔NUC 10i7FNK 机载计算机，配备英特尔酷睿i7 10710U CPU、16 GB RAM和Wi-Fi模块。辅助无人机携带具有相同 CPU和RAM大小的英特尔NUC 10i7FNH。两架无人机都携带Pixhawk 4 FCU，其中包含嵌入式姿态控制器和内置IMU。主无人机搭载Ouster OS0-128 3D LiDAR。激光雷达具有360°水平和90° 垂直FOV。激光雷达以 10Hz 的速率进行扫描。扫描的分辨率为1024×覆盖整个FOV的128光束。辅助无人机携带前置Bluefox MLC200Mc相机和DSL217鱼眼镜头。摄像机刚性连接到ICM42688-P IMU。相机设置为以30Hz的速率以752×480分辨率生成图像。VINS-Mono算法配置为以10Hz的速率处理图像，以1000Hz的速率处理IMU。