基于GRU的四旋翼无人机飞行姿态估计

【摘要】：姿态估计是无人机(UAV)稳定可控飞行的前提,因而姿态和航向参考系统(AHRS)被广泛地应用在四旋翼无人机飞行控制中。目前,四旋翼无人机的姿态估计普遍采用磁力计、加速度计和陀螺仪(MARG)的传感器组合,但是MARG传感器容易受到各种干扰,如振动、外部磁干扰、陀螺漂移等,这些因素导致单个传感器进行姿态测量时存在较大的误差。另外,由于低成本MARG传感器其自身固有噪声较大,这会导致姿态误差与噪声之间有很大的非线性相关性,而这种相关性很难建立正确的数学模型,因此选取合适的姿态估计算法将多个传感器的测量值进行有效的融合,从而估计出高精度的姿态角,具有很高的研究价值和意义。为了拟合出姿态误差与传感器输出值之间的非线性关系,本文利用门控循环神经网络(GRU)算法进行多传感器的数据融合,重点研究GRU神经网络融合不同传感器实现姿态估计的算法。为了提升姿态估计的精度,本文主要进行了以下几方面的工作:(1)首先介绍四旋翼无人机姿态测量的相关理论以及MARG传感器的测量原理与误差来源。(2)利用GRU神经网络算法及加速度计和磁力计进行姿态估计,通过仿真实验对算法进行验证,实验结果表明使用GRU神经网络算法进行多传感器融合来估计姿态角是一种可行方案。(3)针对四旋翼无人机在做大幅运动时,加速度计和磁力计动态响应特性不好的问题,采用GRU神经网络算法融合MARG传感器,利用陀螺仪动态响应较好的特点,进一步提升动态精度。实验结果表明该方法不仅能实现多传感器融合,还能充分利用陀螺仪自身的特性从而提高四旋翼无人机的动态精度。(4)光流传感器具有从图像序列中提取运动信息的能力,但主要的问题是光流可以由平移和旋转两种运动引起,这两种运动很难区分。针对这一问题利用GRU神经网络算法提取光流测量中的姿态信息,并将其与MARG传感器进行数据融合,以此来提高四旋翼无人机的姿态估计精度,实验结果表明该算法可以利用光流测量中的姿态信息,进一步提高三维姿态精度。最后将本文所提出的四旋翼无人机的三种基于GRU的姿态估计算法与常用的扩展卡尔曼滤波(EKF)姿态估计算法对比,实验数据表明本文中的姿态估计方法在四旋翼飞行实验中具有更高的姿态精度。