- 课题背景
近年来，得益于军农工领域的应用需求，具有较高的机动性和良好性价比的无人机技术高速发展。多旋翼无人机因良好的稳定性和可操作性拥有广泛的用途。但相关研究和使用过程中，搭建真实环境进行测试有较高的成本和复杂性，因而先行在虚拟仿真环境中进行测试和验证具有重要意义。
在农业[1]工业[2]应用中，无人机自主导航技术起着重要的作用。在仿真环境下进行自主导航和路径规划算法的研究对比，有助于提高提高研究效率，减少时间和经济成本。
- 国内外研究现状
基于ROS平台和Gazebo的无人机仿真环境在稳定性和易用性方面有很大的优势。在[3]中，针对新手练习四旋翼无人机控制飞行时往往因技术不够熟练而造成不必要的硬件损失这一点问题，提出了基于ROS环境和Gazebo 3D动态模拟器来构建一个无人机控制仿真环境。ROS为无人机软件开发提供了良好的硬件抽象、设备驱动、库、可视化工具和消息传递机制等基本工具，而Gazebo则提供了精确高效模拟复杂室内室外环境中飞行器的能力。文中利用Hector Quadrotor综合功能包，提供了包含室内和室外模拟飞行的相关方法。在手动控制飞行器时，除了利用键盘以外，还可通过hector_quadrotor_teleop功能包启动操纵杆控制器，以此达到使用XBOX 360手柄来进行360°的精准操控的目的。ROS平台结合Gazebo具有良好性能和稳定性，能实现非常高的仿真程度，用以研究基于深度强化学习的无人机自主降落[4]时也能较好的胜任。同样，在无人机路径规划[5]算法的测试与实验中，通过在Gazebo中使用编辑器快速搭建仿真环境，可以满足在各种场景下的算法验证需求。
对于现存四旋翼飞行模拟器中的结构过度特化问题，Flightmare[6]飞行模拟器基于将速度和精度权衡选择从开发者转交给用户的思路，设计了非常灵活的模块化结构。Flightmare有一个构建于Unity之上的可自定义渲染引擎和一个用于动态模拟的物理引擎构成。两个部件完全解耦并可独立运行。Flightmare运行速度极快且支持多达数百个飞行器的并行模拟，并提供提取场景信息和VR操作的便利接口，是一个新型的优秀平台。
除纯粹基于软件的仿真平台之外，还有The Flying Machine Arena[7]（FMA）这样包含软件和硬件基础设施，可用作复数的小型飞行无人机的演示和实验的平台。它致力于达到同时满足用于公共演示所需要的可靠性和鲁棒性，和用于在实验探索中需要的灵活性。整个系统的信息通过多播UDP协议进行通信，飞行器的控制指令使用专用无线电频段传输。
无人机控制的重要问题就是准确的定位导航。[8]描述了基于微机电系统（MEMS）惯性传感器和GPS的集成导航系统的开发。文中集中关注了在GPS信号中断的情况下的处理：由于内置惯性传感器较低的性能，无法使用无GPS辅助下的降频方案，转而使用加速计数据来近似测量本地重力矢量。测试数据表明，即使在GPS信号长时间中断情况下，该系统性能也足以实现对无人机的自动控制。由于有限的传感器和计算单元载荷、高速率和动态不稳定性，大量为地面机器人设计的环境感知和路径算法无法应用于空中无人机。
由于GPS等系统在遮蔽环境，尤其是室内的不稳定性，近年来的多数研究都集中在无GPS类的辅助定位导航信息下的自主飞行。例如在商业化产品方面，大疆创新公司在大疆精灵4[9]中加入了五目视觉、超声波模组、传感器冗余等，实现了“障碍感知”、“智能跟随”、“指点飞行”等功能。结合了计算机视觉、人工智能方面的特性，极大提高了无人机的应用场景和灵活性。在MIT的论文[10]描述了在GPS等定位系统不可用的情况下，在非结构化的未知室内环境中无人机进行自主探索和环境绘制的相关算法和实现。实验使用配备激光测距仪的四旋翼无人机，配合单目摄像机、惯性测量单元等多级传感器和处理单元。文中使用了高速激光扫描匹配算法、用于数据聚合的扩展卡尔曼滤波器（EKF）、高级的同步定位与建图（SLAM）算法实现和探索规划器等，均为无人机系统进行了适合的改进。而在[11]中，更进一步地减少对多种传感设备的依赖，仅使用单目摄像机和惯性测量单元（IMU）就实现了在GPS不可用的未知环境下的自主导航。基于SLAM算法，文中使用相机建立一个稀疏的三维环境地图，地图中估计的相机位置和相应设定点的差异被用作基于线性二次高斯/环路变换恢复（LQG/LTR）的控制器误差。通过最小化这一误差，整个系统在实验中具有良好的表现。
针对无人机的自主降落问题，[12]中描述了在全球导航卫星系统（GNSS）不可用的未知环境中，可使用置于地面的红外立体视觉系统辅助无人机降落。为解决固定相机的观测视野（FOV）狭窄问题，使用云台倾斜装置（PTU）控制摄像机旋转和俯仰角度，可最大限度地扩展观测空间。采用基于主动轮廓和平均移动的算法，来检测红外目标。根据定性和定量实验结果，该系统在无GNSS的情况下能较好的对其进行替代。
在良好定位和环境信息的支持下，可采用一些路径规划算法对无人机路径进行计算。在许多路径规划研究中，都需要基于全局的环境信息进行相应的路径计算。但无人机环境下，基于传感器的信息采集基本不可能拥有全局的环境信息。因而，针对已知的局部有限信息的路径规划具有更好的实用价值。[13]针对泛化的机器人路径规划问题，借鉴预测控制滚动优化原理, 提出了基于滚动窗口的移动机器人路径规划方法。该方法充分利用了机器人实时测得的局部环境信息，以滚动方式进行在线规划，以此来有效地综合反馈信息和已知信息，实现了优化与反馈的合理结合。该方法的局部规划计算量较小，并且保证了全局的收敛性，能够很好的适应环境变化。
人工势场法路径规划通过将环境虚拟表示为目标点的引力场和障碍物的斥力场的叠加，移动无人机在斥力和引力的合力作用下从势场的高点向势场低点移动，完成路径规划。但该方法存在局部极小点的问题，可能导致无人机移动至某一死角之后无法逃出。[14]提出了一种相对速度的人工势场法，在改进的人工势场函数的基础上对速度因素进行考虑。首先通过距离检测和势能检测的双重方法，判断机器人是否陷入局部极小值点。在移动机器人陷入局部极小点时，采用扇区划分的方法，在原目标点周围合适范围内增加虚拟中间目标点，使机器人在当前位置受中间目标点、目标点和障碍物的合力不为零，从而成功逃脱局部极小点。
