基于视觉伺服和NMPC 控制实现四旋翼无人机无定位自主飞行

基于视觉伺服和NMPC 控制实现四旋翼无人机无定位自主飞行

n  视觉伺服

视觉伺服(Visual servo)主要应用于机器人控制领域，其中机械臂应用的最为广泛。主要原理为从视觉图像信息提取特征，根据图像特征值来反馈期望的位置、速度等信息进行伺服控制，是机器控制领域不可或缺的一环。

视觉伺服在视觉特征值上的选取主要分为两种：基于图像的视觉伺服(IBVS) 与基于位置的视觉伺服(PBVS)。

基于位置的视觉伺服

PBVS(基于位置的视觉伺服，Position-based visual servo) 由L. Weiss, A. Sanderson,and C. Neuman 等人在1987 年提出，此方法的视觉特征值的计算需要预先矫正相机的相关参数并且知道被观测物体的3D 模型从而推算特征位姿，这个经典的计算机视觉问题也被称作3D 定位问题，即使这个问题在20 世纪已经被广大的CV 工作者所研究并且提出了一些针对于一些场景下行之有效的方案，这个阶段难免还是会引入一些定位误差，就如同1.1对于分层方案的误差的考虑，我们不希望将一个任务分成多个任务而引入额外误差，更希望使用one stage 方案来实现想要的效果，所以在视觉伺服模块并没有采用PBVS 方法，而是采用下面所提到的IBVS(基于图像的视觉伺服, Image-based visual servo) 方法。

基于图像的视觉伺服

IBVS 由J. Feddema 和O. Mitchell 等人在1989 年提出[15]，此方法的视觉特征值直接从2D 的像素平面中计算得到，具体思路就是根据所输入的期望图像，计算当前获取图像与期望图像中的特征值误差(如图1–3)，将其作为反馈输入给控制器。

传统的IBVS 采用的是图像点特征，除此之外还有两种较为常见的图像特征，一是基于霍夫空间的线特征[16]，二是区域性特征(也称作图像矩)[17-18]。其中，为了实现图像特征的旋转不变性，从而为后续的控制模块中平移与旋转解耦(见1.2) 做铺垫，学者们提出了两种方案，一种是统一球体模型(unitary sphere)[17]，另外一种是虚拟图像平面模型(virtual image plane)[18]。

需要注意的一点是IBVS 存在局部最优以及深度值估计的问题[11], 但是对于本实验场景下，这里所存在的局部最优问题对任务完成度的影响较小并且出现的频率很低，这得益于我们对偏航角合理的规划(见3.1)。而对于深度值估计问题，得益于如今相机传感器的发展，出现了很多稳定的RGB-D 相机，如Realsense-D435i，能够以较高帧率与精度稳定输出与RGB 图对齐的深度图，而不用人为地进行深度估计与对齐。

n  NMPC非线性模型预测控制

MPC 全称为Model predictive control，也即模型预测控制，是一种应用广泛的经典高级闭环控制算法，其基本特征有三个：1. 预测模型：这一部分是模型预测控制的核心，该模型的精度很大程度上决定了控制的精度，主要功能为根据系统的当前输入来预测系统的未来输出。预测模型的形式较为灵活，可以是状态方程与传递函数这类参数模型，也可以是阶跃与脉冲这类非参数模型；2. 滚动优化：这一模块就是系统根据所设计的损失函数来确定最优控制量，并且是反复在线进行的，这是MPC 区别与之前传统最优控制算法的核心之处；3. 反馈校正：这一模块的输入为被控制对象的实际输出，从而利用这一实时信息对之前预测模型的输出结果进行修正，从而减少因为模型失准而带来的控制优化偏移。

MPC 即为MPC 的非线性版本，核心区别就在上述基本特征中的第 一个——预测模型为非线性，对于四旋翼无人机来讲，要应用模型预测控制的话必须考虑使用非线性预测模型，因为四旋翼无人机的动力学本身就为非线性模型

相机所收到图像，提取特征点，并且计算相应的图像矩从而反馈速度以及特征像素坐标给NMPC 模块，同时速度估计模块和IMU 模块会反馈测量所得无人机的速度和姿态给NMPC 模块，NMPC 接收到这些期望速度与测量信息后便可以计算得到最优化控制量，随后送给底层的bodyrates 控制器控制四旋翼无人机飞行。

视觉导航系统（VNS）