复杂地面环境下旋翼无人机应急着陆系统

在任务中，程序失控、人为失误飞行，甚至突然环境变化等紧急情况的概率也变得更高。面对此类紧急情况，在复杂的地面上紧急降落到最近的平坦地面尤为重要。

使用摄像头计算平坦的地面作为着陆点，并直接控制无人机自主着陆，安全便捷地完成无人机的紧急着陆。

自主无人机飞行过程中程序变化频繁，一些根本性的变化或短暂的疏忽可能会导致飞行错误。因此制定应急安全着陆计划以应对突发故障以促进自主无人机的发展是必要的任务。

利用d435深度相机实时计算地面位置，利用地面位置在相机坐标系中的相对位置作为飞行导引。同时，利用无人机IMU数据、相对位置和GPS数据的姿态调整，完成紧急着陆。

无人机失控后，IMU数据是一个相对可靠的来源。使用IMU数据和GPS融合进行姿态控制，可以确保无人机在短时间内工作。

使用摄像头获取深度图找到实时图像做特征匹配，计算出无人机运动的期望值。在飞行控制中输入期望值，并调整无人机的角度以接近目标点。同时，进近过程采用PID闭环控制，使飞行过程快速稳定。

紧急未知环境下基于单目视觉SLAM的无人机自主着陆

无人机落地研究需要考虑多方面因素和通用性，实用性有所提高。具体来说，主要挑战包括以下几点：

1：没有GPS信号的自主控制。GPS的抗干扰能力极弱。如果无人机机载GPS信号接收器因电子干扰而发生故障，无人机将失去导航定位功能，从而无法安全降落。

2：紧急情况下的被动着陆。由于无人机的补偿机制不允许故障无人机长时间继续飞行，因此应该开始选择紧急降落的地点。虽然这是无奈之举，但也是防止无人机落入人口密集地区的重要举措。

3：在未知环境中自主降落。在军事领域或救灾情况下，无人机需要执行任务的地方多为未知环境或杂乱无章的环境。无人机必须能够选择合适的着陆点并安全着陆。

基于于视觉的无人机着陆方法：借助光学设备和图像识别技术，无人机能够自主识别着陆区域，重构三维地形，实现自动返航和航线规划，能够以良好的策略降落机场并安全降落，将大大降低无人机对地面人员的伤害。

无人机使用单目相机扫描地面的关键帧和三维点云图。然后，将三维点云图转换为网格图，检测合适的着陆区域，进行着陆。图中下方的地图以绿色显示平坦区域，以红色显示高于地平线的区域。红色的深度表示高度。地图上方的蓝线显示了无人机在飞行过程中创建的关键帧，图1中的左栏是关键帧的一部分。

当无人机开始降落程序时，该方法可以估计无人机的位置和姿态，构建环境的网格图，并通过过滤算法选择最适合降落的区域。演示了一种选择着陆区域和视觉导航方法，该方法使用SLAM估计无人机的当前位姿。

通过视觉SLAM建立了环境的三维点云图。然后，通过SLAM算法提出的特征点的三维点云建立二维网格图。每个网格的高度是通过将图形的地图点投影到相应的网格中来计算的。然后，使用基于均值偏移的图像分割算法对网格图的高度进行平滑，划分障碍物和地面，将高度相似的图像块组合在一起。该算法通过计算着陆区域与障碍物之间的空间距离，选择距离障碍物最远的区域作为过滤后的着陆区域。这样就选择了适合无人机降落的区域。无人机按照下降程序最终降落在安全区域。

无人机降落在附属建筑楼层的视觉导航

基于视觉的无人机着陆导航

GPS 信号可能会丢失或受到干扰。拥挤的建筑物、人造结构和密集的电力设施的城市环境对基于 GPS 的导航的可靠性构成严重威胁。其次，商用 GPS 设备，尤其是消费级产品，不能提供高水平的定位精度。据报道，民用 GPS 的水平精度为 10~15 米，置信区间为 95%，垂直精度更差。

着陆过程分为四个步骤：（1）识别地标建筑，（2）定位无人机建立下滑路径，（3）激活进场阶段，（4）下降以着陆。在每一步，无人机的单目摄像头图像都被用作导航信息的主要来源，嵌入式气压计和 IMU（惯性测量单元）作为次要的感官数据源。

导航过程的功能划分包括目标/对象图像匹配、映射和定位、导航控制和错误恢复。

初始化精 确着陆过程的第 一步是使用存储的指定位置图像检查正确的建筑工地。针对目标/目标识别的功能需求，我们采用了图像特征匹配技术。我们将 OpenCV 库中的 SIFT（尺度不变特征变换）特征检测器用于我们的功能组件。图1显示了目标建筑工地的 SIFT 图像匹配结果，红圈部分匹配错误，通过 RANSAC 增强后匹配结果更好。该对象/目标图像匹配功能是为了完成精 确着陆过程的地标识别步骤。