[go: up one dir, main page]

CN112262357B - 针对多个uav的编队确定控制参数 - Google Patents

针对多个uav的编队确定控制参数 Download PDF

Info

Publication number
CN112262357B
CN112262357B CN201980038518.5A CN201980038518A CN112262357B CN 112262357 B CN112262357 B CN 112262357B CN 201980038518 A CN201980038518 A CN 201980038518A CN 112262357 B CN112262357 B CN 112262357B
Authority
CN
China
Prior art keywords
uav
uavs
controller device
formation
pair
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201980038518.5A
Other languages
English (en)
Other versions
CN112262357A (zh
Inventor
何塞·阿罗约
索马·塔亚门
迭戈·冈萨雷斯莫兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Telefonaktiebolaget LM Ericsson AB
Original Assignee
Telefonaktiebolaget LM Ericsson AB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Telefonaktiebolaget LM Ericsson AB filed Critical Telefonaktiebolaget LM Ericsson AB
Publication of CN112262357A publication Critical patent/CN112262357A/zh
Application granted granted Critical
Publication of CN112262357B publication Critical patent/CN112262357B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G05D1/0858—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft specially adapted for vertical take-off of aircraft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U10/00—Type of UAV
    • B64U10/10—Rotorcrafts
    • B64U10/13—Flying platforms
    • B64U10/14—Flying platforms with four distinct rotor axes, e.g. quadcopters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2201/00—UAVs characterised by their flight controls
    • B64U2201/10—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS]
    • B64U2201/102—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS] adapted for flying in formations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

根据第一方面，提供了一种用于确定用于控制编队的飞行的控制参数的方法，该编队包括至少两个物理连接的UAV。该方法在控制器设备中执行，并且包括以下步骤：确定形成编队的部分的UAV；依次控制UAV中的每个UAV以执行起飞过程，在起飞过程中，UAV从地面起飞并降落在地面上；针对每个起飞过程，从编队的UAV中的每个UAV的惯性测量单元IMU获取惯性数据；基于惯性数据针对编队的每对可能的UAV估计UAV连接参数，UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个；以及基于所估计的连接参数来确定用于控制编队飞行的控制参数。

Description

针对多个UAV的编队确定控制参数
技术领域
本发明涉及用于确定用于控制编队飞行的控制参数的方法、控制设备、计算机程序和计算机程序产品，该编队包括至少两个物理连接的无人机UAV。
背景技术
在过去的十年中，UAV(无人机)的普及性迅速提高。它们被广泛用于各种应用中，例如结构检查、农业、建图和军事用途。然而，它们的应用的扩展受到两个主要物理限制的约束：它们的低的最大有效载荷和低的最大飞行时间。实际上，这两个特性彼此密切相关：如果将UAV用于负载运输，则由于增加了承载负载所使用的能量，其飞行时间将大大减少。
已经提出的一种解决方案是空中协作，其中，若干UAV以编队牢固地附接在一起，以增加总最大有效载荷和飞行时间二者，因为每个UAV运输的总负载的重量减小。在这样的系统中，还可以预见，UAV可以在没有人为干预的情况下自动地附接在编队中。然而，该解决方案带来了若干挑战。即使每个UAV都嵌入有控制算法，该控制算法使其可以很好地独自飞行，但是当将若干UAV附接在一起时，由于系统的动力学会完全改变，因此该控制算法将不能工作。因此，其中每个个体UAV控制器不相适的UAV的编队将不能从地面起飞超过几厘米，并且有可能坠毁。因此，需要根据每个不同编队配置给出的系统动力学来适配控制算法，这是一个很难解决的问题。此外，系统动力学的识别和控制算法的适配应快速并自动进行，而无需人为干预。
在现有技术中，假设UAV的编队是先验已知的，或者使用非常精确但非常昂贵且不实用的室内定位系统(例如，运动捕捉系统)来估计，这在户外应用中会失败。此外，这些室内定位系统还很容易遭受闭塞(occlusion)，这降低了系统性能。
发明内容
目的是改进对如何控制UAV编队的确定。
根据第一方面，提供了一种用于确定用于控制编队的飞行的控制参数的方法，该编队包括至少两个物理连接的无人机UAV。该方法在控制器设备中执行，并且包括以下步骤：确定形成编队的部分的UAV；依次控制UAV中的每个UAV以执行起飞过程，在起飞过程中，UAV从地面起飞并降落在地面上；针对每个起飞过程，从编队的UAV中的每个UAV的惯性测量单元IMU获取惯性数据；基于惯性数据针对编队的每对可能的UAV估计UAV连接参数，UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个；以及基于所估计的连接参数来确定用于控制编队飞行的控制参数。
该方法还可以包括以下步骤：针对每个UAV，估计相对于编队的坐标系的绝对位置和定向，在这种情况下，确定控制参数的步骤是基于绝对位置和定向的。
该方法还可以包括以下步骤：对所获取的惯性数据进行滤波，产生滤波后的惯性数据，在这种情况下，估计UAV连接参数的步骤是基于滤波后的惯性数据的。
滤波的步骤可以包括滤波以减小偏差(bias)。
滤波的步骤可以包括滤波以减少漂移误差。
获取的步骤可以包括：针对UAV中的至少一个，从UAV的视觉传感器获取视觉数据，在这种情况下，估计UAV连接参数的步骤是基于视觉数据的。
滤波的步骤可以基于视觉数据。
获取的步骤可以包括分别针对所有UAV获取视觉数据。
该方法还可以包括以下步骤：将视觉数据的视觉特征与包含视觉特征及其位置的地图进行比较。
估计UAV连接参数的步骤可以包括：基于从惯性数据的每个UAV的加速度和角速度数据导出的每个UAV的个体姿态的估计来估计相对定向。
估计的步骤可以包括：通过对加速度进行二重积分来估计每个UAV的位置，并且其中，该对UAV之间的距离是基于该对UAV中的每个UAV的个体姿态的估计、该对UAV中的每个UAV的位置的估计、以及该对UAV之间的相对定向的估计来估计的。
确定控制参数的步骤可以基于预训练的机器学习模型。
编队的所有UAV都可以形成单个平面的部分。
根据第二方面，提供了一种用于确定用于控制编队飞行的控制参数的控制器设备，该编队包括至少两个物理连接的无人机UAV。该控制器设备包括：处理器；以及存储指令的存储器，该指令在被处理器执行时使得控制器设备：确定形成编队的部分的UAV；依次控制UAV中的每个UAV以执行起飞过程，在起飞过程中，该UAV从地面起飞并降落在地面上；针对每个起飞过程，从编队的UAV中的每个UAV的惯性测量单元IMU获取惯性数据；基于惯性数据针对编队的每对可能的UAV估计UAV连接参数，UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个；以及基于所估计的连接参数来确定用于控制编队飞行的控制参数。
控制器设备还可以包括指令，该指令在由处理器执行时使控制器设备：针对每个UAV，估计相对于编队的坐标系的绝对位置和定向，在这种情况下，用于确定控制参数的指令包括在由处理器执行时使控制器设备基于绝对位置和定向来确定控制参数的指令。
控制器设备还可以包括在由处理器执行时使控制器设备进行以下操作的指令：对所获取的惯性数据进行滤波，产生滤波后的惯性数据，在这种情况下，用于估计UAV连接参数的指令包括在由处理器执行时使控制器设备基于滤波后的惯性数据来估计UAV连接参数的指令。
用于滤波的指令可以包括在由处理器执行时使控制器设备滤波以减小偏差的指令。
用于滤波的指令可以包括在由处理器执行时使控制器设备滤波以减少漂移误差的指令。
用于获取的指令可以包括在由处理器执行时使控制器设备针对UAV中的至少一个从UAV的视觉传感器获取视觉数据的指令。在这种情况下，估计UAV连接参数是基于视觉数据的。
滤波可以基于视觉数据。
用于获取的指令可以包括在由处理器执行时使控制器设备分别获取所有UAV的视觉数据的指令。
控制器设备还可以包括在由处理器执行时使控制器设备将视觉数据的视觉特征与包含视觉特征及其位置的地图进行比较的指令。
用于估计UAV连接参数的指令可以包括在由处理器执行时使控制器设备基于从惯性数据的每个UAV的加速度和角速度数据导出的每个UAV的个体姿态的估计来估计相对定向的指令。
用于估计的指令可以包括在由处理器执行时使控制器设备通过对加速度进行二重积分来估计每个UAV的位置，并且基于该对UAV中的每个UAV的个体姿态的估计、该对UAV中的每个UAV的位置的估计、以及该对UAV之间的相对定向的估计来估计该对UAV之间的距离的指令。
用于确定控制参数的指令可以包括在由处理器执行时使控制器设备基于预训练的机器学习模型来确定控制参数的指令。
编队的所有UAV都可以形成单个平面的部分。
根据第三方面，提供了一种控制器设备，包括：用于确定形成编队的部分的无人机UAV的装置，编队包括至少两个物理连接的UAV；用于依次控制UAV中的每个UAV以执行起飞过程的装置，在起飞过程中，UAV从地面起飞并降落在地面上；用于针对每个起飞过程，从编队的UAV中的每个UAV的惯性测量单元IMU获取惯性数据的装置；用于基于惯性数据针对编队的每对可能的UAV估计UAV连接参数的装置，UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个；以及用于基于所估计的连接参数来确定用于控制编队飞行的控制参数的装置。
根据第四方面，提供了一种用于确定用于控制编队飞行的控制参数的计算机程序，该编队包括至少两个物理连接的无人机UAV。该计算机程序包括计算机程序代码，该计算机程序代码在控制器设备上运行时使该控制器设备：确定形成编队的部分的UAV；依次控制UAV中的每个UAV以执行起飞过程，在起飞过程中，该UAV从地面起飞并降落在地面上；针对每个起飞过程，从编队的UAV中的每个UAV的惯性测量单元IMU获取惯性数据；基于惯性数据针对编队的每对可能的UAV估计UAV连接参数，UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个；以及基于所估计的连接参数来确定用于控制编队飞行的控制参数。
根据第五方面，提供一种计算机程序产品，该计算机程序产品包括根据第四方面的计算机程序和存储计算机程序的计算机可读装置。
通常，除非本文另有明确说明，否则权利要求中使用的所有术语根据其在技术领域中的普通含义来解释。除非另有明确说明，否则对“一/一个/所述元件、设备、组件、装置、步骤等”的所有引用应被开放地解释为指代元件、设备、组件、装置、步骤等中的至少一个实例。除非明确说明，否则本文公开的任何方法的步骤不必严格以所公开的确切顺序来执行。
附图说明
现在通过示例的方式参考附图描述本发明，在附图中：
图1是示出了本文提出的实施例可以应用于三个UAV的编队的环境的示意图；
图2是示出了本文提出的实施例可以应用于两个UAV的编队的环境的示意图；
图3A至图3C是示出了可以实现用于确定用于控制UAV的编队飞行的控制参数的控制设备的实施例的示意图；
图4A至图4B是示出了用于确定用于控制UAV的编队飞行的控制参数的方法的流程图；
图5是示出了根据一个实施例的图3A至图3C的控制设备的组件的示意图；
图6是示出了根据一个实施例的图3A至图3C的控制设备的功能模块的示意图；
图7示出了包括计算机可读装置的计算机程序产品的一个示例；以及
图8是示出了图3A至图3C的控制设备中的控制参数的确定的示意图。
具体实施方式
现在将在下文参考其中示出本发明的某些实施例的附图来更全面地描述本发明。然而，本发明可以按照多种不同形式来表现，并且不应当被解释为限于本文中阐述的实施例；相反，这些实施例通过示例的方式来提供，使得本公开将会全面和完整，并且将会向本领域技术人员完全传达本发明的范围。贯穿说明书，相似的标记指代相似的元件。
本文提出的实施例允许以实时快速的方式学习UAV的连接方式、其位置和定向来确定用于UAV编队的控制参数，并根据所估计的参数自动重新调整其控制算法。该学习仅需要从UAV的内部IMU(惯性测量单元)捕获的数据。
在所提出的方法中，新附接的UAV单个地执行推力动作，以使UAV在空中起飞一短距离，在该点存储该编队的所有UAV的IMU数据。该IMU数据用于估计UAV的连接方式，以及它们在编队内的定向和位置。然后，根据所识别的参数来适配控制器。基于机器学习，使用在线增强算法或使用预先计算的控制器来执行控制器适配，该控制器将所估计的参数与控制算法的合适变量进行映射。与现有技术相比，所提出的方法不要求任何外部定位系统或预先定义的UAV编队，并且在需要时可以快速执行。
图1是示出了本文提出的实施例可以应用于三个UAV 2a-c的编队3的环境的示意图。编队3包括第一UAV 2a、第二UAV 2b和第三UAV 2c。每个UAV 2a-c可以是任何合适的已知或将来的类型，例如四轴飞行器(quadcopter)。每个UAV包括用于捕获惯性数据的IMU，该惯性数据用于控制UAV。惯性数据包括加速度和角速度数据。UAV的惯性数据(如以下更详细说明)在特定情况下还用于确定如何控制整个编队3的飞行。UAV 2a-c中的至少一个还包括例如基于GPS(全球定位系统)的定位模块、超宽带模块、基于相机的定位系统等。
编队3是通过物理地连接三个UAV 2a-c(例如使用诸如金属和/或塑料连接器的刚性结构)而形成的。
存在用于第一UAV 2a的第一坐标系x0-y0、用于第二UAV 2b的第二坐标系x1-y1以及用于第三UAV x2-y2的第三坐标系x2-y2。因此，第一坐标系、第二坐标系和第三坐标系是用于每个UAV的单独坐标系。
此外，存在用于整个编队3的坐标系xs-ys。
外部计算机6与UAV 2a-c通信。UAV 2a-c之间的通信和/或UAV 2a-c与外部计算机6之间的通信可以使用任何合适的无线接口(例如使用IEEE 802.11x标准(也称为WiFi)、蓝牙或低功耗蓝牙(BLE)、ZigBee和/或蜂窝网络中的任何一个)发生。蜂窝通信网络可以例如遵守LTE(长期演进)、下一代移动网络(第五代5G)、利用W-CDMA(宽带码分多路复用)的UMTS(通用移动电信系统)、CDMA2000(码分多址2000)的任何一个或组合，或遵守任何其他当前或将来的无线网络。
图2是示出了用于根据以下描述的计算的一对UAV 2a-2b的示意图。坐标系xi-yi应用于该对中的第一UAV 2a，并且坐标系xj-yj应用于该对中的第二UAV 2b。公共坐标系x-y被用于整个对。
如以下更详细的描述，当评估其他对时，该对的物理UAV改变。
图3A至图3C是示出了可以实现控制设备1的实施例的示意图。控制设备1被用于确定用于控制UAV的编队飞行的控制参数。
在图3A中，控制设备1被示为在UAV 2(例如，图1或图2的UAV 2a-c中的任何一个)中实现。因此，在该实现中，UAV 2是控制设备1的主机设备。
在图3B中，控制设备1被示为在外部计算机6中实现。因此，在该实现中，外部计算机6是控制设备1的主机设备。
在图3C中，控制设备1被示为实现为独立设备。因此，在该实现中，控制设备1不具有主机设备。
图4A至图4B是示出了用于确定用于控制UAV的编队飞行的控制参数的方法的流程图。该方法在图1和图2的控制设备1中执行。还参考图8，图8是示出了图3A至图3C的控制设备中的控制参数的确定的示意图。
图8中所示的参数如下：
Xi”是使用IMU数据(当应用该数据时经滤波之后)估计的UAV i的个体位置。Xj”是UAV j的对应参数。
Φi”是使用IMU数据(当应用该数据时经滤波之后)估计的UAV i的个体姿态。Φj”是UAV j的对应参数。
Vij是该对UAV i和UAV j之间的相对定向。
mk是使用在时间步长k获取的数据获得的平面相交线的斜率。
ck是使用在时间步长k获取的数据获得的平面相交线的截距。在将UAV之一的位置减去自身和另一个UAV的位置之后，将z＝0平面与该对中的两个UAV定义的平面相交而获得该直线。
[mn，cn]k表示已聚类且因此未作为离群值(outlier)丢弃的所有n对斜率截距。
[xint，yint]是所有这些聚类线的估计交点。
dij是该对UAV之间的距离。
[Vi(i)，Vj(i)]是该对中每个UAV i和UAV j的定向。(i)表示两个UAV都虚拟地位于连接它们二者平行于坐标系的x轴的直线上(如图2所示)，并且UAV i位于坐标系的原点。如以下更详细的描述，这样做是为了能够重建所有位置和定向。
[Vi 0，Vj 0]是UAV i和UAV j在系统坐标系中的定向。在该图中，使用Vi 0更有意义，因为该步骤不再成对完成，而是针对每个UAV。
Pi o是UAV i在系统坐标系中的位置。Pj o是UAV j的对应参数。
编队包括至少两个物理连接的UAV，例如，如图1和图2中所示。编队的所有UAV都可以形成单个平面的一部分，以简化计算。每当建立新的UAV编队并且编队中的UAV的数量大于一个时，就运行该方法。在一个实施例中，该方法由将UAV组装成编队并启动该方法的用户触发。例如，用户可以按下编队中的UAV之一上的按钮，或者用户可以在智能电话中的应用中触发该方法。
在另一个实施例中，该方法被自动触发。例如，在可以使用无源或有源连接传感器检测连接器的附接的情况下，UAV可以检测连接器何时附接到其上。如果检测到在UAV之一中增加了新的连接，则所述UAV通过与相邻UAV进行通信来触发新的UAV编队的创建，由此开始该方法。
在一个实施例中，该方法在编队处于飞行中之后触发。UAV已正在使用的控制参数可能是次优的，并且不能提供足够的性能。然后该编队可以降落并执行该方法。在一个实施例中，甚至在编队在空中时执行该方法。给定期望的追迹轨迹(例如，追迹期望轨迹的静态误差大于阈值，追迹超越量大于阈值，追迹期间的上升时间大于阈值，振荡频率和幅度大于阈值等)，可以通过被应用于UAV的运动动力学的性能函数来给出性能不足的检测。
在图4A的确定UAV步骤40中，控制设备确定形成编队一部分的UAV。在一个实施例中，当建立新连接时，UAV触发消息的广播。这样，UAV首先检测连接的附接(或者，每当新连接被附接时，用户就按下UAV中的按钮)，然后触发包括UAV标识符的消息，并从它已经连接到的邻居接收消息，其中来自邻居的消息包括该相邻UAV的标识符。这样，每当建立新的连接，UAV都可以很容易地识别与谁建立了连接。然后，仅针对作为编队一部分的UAV执行其余方法。
在一个实施例中，需要附接到编队中的UAV的数量由UAV连接到的外部计算机来计算。将取决于他们可能需要执行的任务来计算该数量。例如，如果将UAV用于仓库(warehouse)内的负载运输，则UAV的数量将由包裹的重量和形态确定。然后，外部计算机将选择要附接的UAV数量和哪些UAV要附接。这样的场景也可以在没有外部计算机的情况下以分布式方式实现，其中针对外部计算机描述的用于计算UAV数量的角色可以由承担该任务的UAV之一来执行。然后，所选择的UAV可以在没有外部用户帮助的情况下自行附接，或者用户可以简单地附接它们。
在起飞步骤42中，控制设备控制UAV之一执行起飞过程，在该起飞过程中，所讨论的UAV从地面起飞并降落在地面上。该步骤的目的是创建移动以允许在IMU中收集(在下一步骤中)足够的有用数据。为了提升UAV，可以将一个UAV的一个或多个UAV电机中的推力设置为持续T毫秒，之后推力被设置为0。时间T取决于要达到的高度X。
在获取惯性数据步骤44中，控制设备从编队的每个UAV的惯性测量单元IMU获取惯性数据。换言之，从所有UAV获取惯性数据。惯性数据可以例如是一旦发起起飞就以500Hz的恒定速率获取的。如以下更详细地解释的，测量可以被用于估计每个UAV的个体状态(位置、速度、角速度和姿态)。该步骤与起飞步骤42同时执行。
可选地，该步骤包括从UAV的视觉传感器获取视觉数据。可以针对UAV之一、一些UAV或所有UAV获取视觉数据。当仅针对UAV之一获取视觉数据就足够时，仅该UAV需要包括视觉传感器(例如相机)，而其他UAV可以具有更简单更便宜的配置，而无需任何视觉传感器。
在一个实施例中，当存在多个视觉传感器时，在步骤42中以这样的方式施加推力：使得整个UAV编队移动到所有视觉传感器都可以捕获特征的状态，这可能需要将编队移离原始位置若干厘米。
当使用视觉传感器时，视觉数据中的捕获的视觉特征的存在和质量会影响姿态估计的性能。因此，可能需要实时控制步骤42中的移动，直到捕获到具有足够可区分性的视觉特征的视觉数据为止。这样，当容易捕获清晰的视觉特征时，需要较少的移动，并且仅在需要捕获清晰的视觉特征时才增加更多的移动。
在有条件的更多UAV要起飞的步骤43中，控制设备确定是否还存在编队的任何UAV未被控制以执行起飞。如果是这种情况，则该方法返回到起飞步骤42。否则，该方法继续至针对一对UAV估计UAV连接参数的步骤46。
使用该循环，在步骤42中依次对每个UAV执行起飞。此外，在步骤44中针对每个起飞过程获取惯性数据。可以使用时间表来建立每个UAV启动起飞的时间。
可选地，施加的推力最初可以很小，并且IMU数据被用于确定推力是否足够，此后如果需要的话可以增加推力以实现起飞。当执行提升时，然后施加在螺旋桨上的推力的量足够小，以不会损坏编队，例如，过大的推力甚至可以使编队翻过来。换言之，由于编队的结构还未知，这样的起飞方案可以防止提供过大的推力，过大的推力可能会导致损坏。
在针对一对UAV估计UAV连接参数的步骤46中，控制设备基于惯性数据针对编队的一对UAV估计UAV连接参数。UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个。在一个实施例中，UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的所有。
可选地，基于从惯性数据的每个UAV的加速度和角速度数据导出的每个UAV的个体姿态的估计来估计相对定向，参见图8的框80。
可选地，通过对加速度进行二重积分来估计每个UAV的位置。然后，基于该对UAV的每个UAV的个体姿势的估计、该对UAV的每个UAV的位置的估计以及该对UAV之间的相对定向的估计，来估计该对UAV之间的距离。
在一个实施例中，使用从IMU的加速度和角速度数据导出的每个UAV的个体姿态的所存储的估计来估计每对UAV之间的相对定向。由于UAV之间的附接是刚性的，因此如果将UAV的坐标系对齐，则每个UAV中的所估计的个体姿态将相同。结果，计算出该对UAV之一将需要绕z轴旋转多少以获得与该对中的另一个UAV相同的姿态估计，该角度是该对中的两个UAV之间的相对定向。针对所存储数据的每个时间步长计算该相对定向，随后进行平均。
在一个实施例中，每对UAV之间的距离是使用从加速度和角速度(来自惯性数据数据)导出的每个UAV的个体姿态和位置的估计连同如上所述计算的该对UAV之间的所估计的相对定向进行估计的。这在图8的框81中表示。针对该方法实现的顺序过程是：
1a.使用相对定向，旋转该对中的一个UAV的坐标系，使得其两个坐标系对齐。对于该过程的其余部分，坐标系尚未旋转的UAV被认为位于世界坐标系的中心，两组轴均对齐。
1b.对于所存储数据中的每个时间段，该旋转的UAV的位置减去两个UAV的位置
1c.针对每个时间段计算由具有旋转坐标系的UAV定义的平面。随后，获得这组平面与平面z＝0之间的相交线。这组线的交点与原点之间的距离是两个UAV之间的距离。
在一个实施例中，当由于测量中的残留噪声而不存在唯一的交点时，在上面的点1c中提到的交点是通过在使用聚类算法丢弃可能的离群值之后对这组线应用线拟合算法来计算的，在图8的框82中示出。为了估计给定噪声测量下的该交点，以及因此估计该对UAV之间的距离，可以应用以下过程：
2a.对于每条线，计算截距和斜率。对获得的截距和斜率对聚类，并在未分类的对被视为离群值时，将其丢弃。可以将DBSCAN(具有噪声的基于密度的空间聚类应用)算法用于该目的，如图8的框83所示。
2b.为了丢弃任何可能的残留离群值，在截距-斜率空间中截距和斜率对上对线进行拟合。该拟合线的正截距和负斜率值定义了交点，该交点用于计算该对UAV之间的距离。作为示例，可以将RANSAC(随机样本一致性)算法用于该目的，如图8的框84所示。
在一个实施例中，所估计的交点被用于估计该对中的两个UAV之间的距离，如图8的框85所示。通过计算交点和坐标系原点之间的距离来估计该距离。
在一个实施例中，使用根据以上估计的交点，使用由该点和原点定义的矢量与负x轴之间的角度以及先前计算的相对定向，来估计每对中的UAV的定向。每对UAV的坐标系被认为具有与该对UAV之间的虚拟线对齐的x轴。Z轴都对齐，并且在第一实施例中虚拟地旋转的UAV位于该坐标系的原点，如图2所示。使用所估计的交点和两个UAV之间的相对定向，估计每个UAV在该坐标系内的定向。位于正x轴的UAV的定向被认为是由根据上述计算的交点和原点定义的矢量与负x轴之间的角度。使用先前计算的相对角度获得该对中的另一个UAV的定向。
当在步骤44中获取视觉数据时，UAV连接参数也是基于视觉数据的。视觉数据可以直接在该步骤中使用，或者视觉数据可以在中间的对数据进行滤波的步骤45(参见下文)中使用。
在一个实施例中，视觉传感器被用于追迹环境的视觉特征，并且能够直接提取关于这些特征计算的UAV的运动属性(加速度、线速度和角速度、平移和旋转)。为了对运动进行甚至更准确和鲁棒的估计，将视觉传感器信息与惯性信息组合，例如使用VIO算法，如下所述。
通过组合视觉传感器数据和惯性数据，可以以更鲁棒和精确的方式提取UAV的运动属性。
在有条件的更多对的步骤47中，控制设备确定是否已针对编队中所有可能的UAV对执行了步骤46。如果编队中还有对尚未执行步骤46，则该方法返回到针对一对UAV估计UAV连接参数的步骤46，以处理这样的对。否则，该方法前进到确定控制参数的步骤50。
因此，针对连接到附接UAV的编队的每对UAV重复步骤46，以估计每对距离和定向，从而完全定义编队并能够估计编队的坐标系内的绝对位置(图8的框87中所示)和定向(图8的框86所示)。
在确定控制参数的步骤50中，控制设备基于所估计的连接参数来确定用于控制编队飞行的控制参数。
在一个实施例中，在控制器算法的输出和每个UAV的每个电机的电压输入之间实现转换块，以通过使用当前UAV的定向的估计值旋转该输出从而使该输出适于编队的不同定向。
在用于UAV的控制器中，输出可以是为了获得期望高度而要在每个轴上施加的动量(表示为r、p、y)和要施加的推力(T)的值。这些值将被转换为要提供给UAV的输入。例如，UAV输入可以是要施加在每个电机中以获得期望的动量和最小推力的电压。例如，对于最简单的情况，公式将为：
电压_电机_i＝推力+ar+bp+cy
其中a、b和c的值可以为-1和1。参数a和b取决于电机i的位置。参数c取决于电机的旋转方向。例如，如果电机i位于正x处，并且我们需要正值p(围绕y轴的动量)，则由于该电机上的施加的推力会对扭矩产生负效应，因此b的值被选择为-1。
在这里发生的是，使用所估计的定向旋转矢量[r，p，y]。因此，一旦这些[r，p，y]值被旋转，产生[r，p，y]’，这些新值被转换为我们可能需要的输入格式。
与UAV的数量无关，该过程将是：
1.估计T、r、p、y的新值(通过控制器)
2.将[r，p，y]旋转角度α(其在估计步骤中被估计)：
Rz(α)·[r，p，y]＝[r，p，y]’
3.将T和[r，p，y]’的值转换为我们所需的特定输入(在我们的情况下，为电压)
控制器的目的是估计电压，该电压需要被施加在每个电机中以获得编队中的期望的行为。该转换块使控制器的输出适于编队中每个UAV的所估计的定向。
在一个实施例中，控制参数是基于预训练的机器学习模型的。控制器的参数适于编队的不同配置。首先，使用增强学习对针对不同组的两个UAV(N个不同距离)的控制器参数进行调整。该调整步骤是在仿真中预先完成的。在一种机器学习中，这些参数以及相关联的距离被用于训练神经网络。神经网络被用作插值函数，这将允许编队从每个UAV的所估计的位置直接估计控制器参数。所估计的位置可以表示为从每个四轴飞行器到编队坐标系的每个轴X、Y和Z的距离。在估计编队的物理参数之后，立即在线完成该插值步骤。
在一个实施例中，代替机器学习方法，采用经典的自适应控制方法，其中控制器被设计为其将所估计的距离参数映射到控制器增益。这种映射函数可以是关于距离参数的连续或不连续的以及线性或非线性的函数。这样的方法在控制文献中通常被称为自适应控制器、开关控制器、增益调度或参数相关控制器。
现在参见图4B，将仅描述与图4A的步骤相比新的或修改的步骤。
在可选的对数据进行滤波的步骤45中，控制设备对所获取的惯性数据进行滤波，产生滤波后的惯性数据。
IMU测量通常是有噪声的。滤波提高了所获得的测量的质量。为了估计附接的UAV的编队的物理参数，相对于每个UAV的自己的坐标系估计每个UAV的实时个体位置和定向。然而，当使用来自当前可用IMU的原始测量执行该操作时，该实时估计中的误差漂移很大。
滤波可以包括若干类型的滤波中的任意一种或多种。
可以执行第一类型的滤波以减小偏差。在初始化中，针对M个时间步长存储IMU测量、加速度和角速度，并计算其平均值。一旦开始执行获取惯性数据步骤44，然后将这些平均值减去IMU中的每个新测量。以这种方式，减小了测量中的偏差。
可以执行第二类型的滤波以减少漂移误差。通过对加速度计测量进行二重积分，从加速度计测量估计UAV的个体位置。这产生了位置估计的漂移的快速增加。为了减少任何位置估计漂移，可以使用基于方差的方法。在最后的N个时间步长中的所测量的加速度的方差被测量。如果该方差高于阈值，这意味着该编队正在移动，否则，该编队被认为是静态的。这减少了任何漂移误差。
可以通过仅考虑在每个起飞开始和UAV到达其最高高度的时刻之间的时间步长中获取的测量来清理所获取的数据来执行第三类型的滤波。然后将其余数据丢弃。在起飞之间，用于估计每个UAV的个体状态的滤波器在每次起飞之前被重新启动以重置误差漂移。
该滤波是实时进行的。一旦新的测量(加速度和角速度)已被滤波，UAV的个体状态被估计(位置、速度、角速度和姿态)并存储。取决于所选择的UAV的能力，该数据可以被存储在UAV中或被发送给外部计算机。
当视觉数据可用时，可选地在对数据进行滤波的步骤45中考虑这一点。视觉数据可用于减少偏差并减少漂移。这是通过视觉传感器追迹视觉特征并利用关于视觉特征的相对运动来实现的，从而减少了来自IMU的偏差和漂移误差。
在一个实施例中，使用从一个或多个UAV上的机载相机馈送的视频提取的实时视觉特征来对惯性数据进行滤波。步骤46中的估计基于UAV的个体位置和定向估计。这些参数都可以通过使用视觉数据以及惯性信息(例如使用视觉惯性测距(VIO))来改进，这包括对视觉数据和惯性数据进行滤波。通过使用VIO算法，个体位置和定向估计中的漂移确定大大增加，从而允许进行更精确的物理参数估计。然后在步骤46中计算这些物理参数的估计。
当执行步骤45时，步骤46中的估计UAV连接参数是基于滤波后的惯性数据的。
在可选的与地图进行比较的步骤41中，控制设备将视觉数据的视觉特征与包含视觉特征及其位置的地图进行比较。
在一个实施例中，包含视觉特征的地图是从相同区域中的先前飞行尝试提取的。使用该地图，可以在识别地图的特征时找到UAV的相对位置和定向。该地图可以例如使用同时定位和建图(SLAM)来创建。
如果无法在视觉数据中找到地图的视觉特征，则在步骤40中向UAV施加推力时，可以使用SLAM继续创建地图。备选地或附加地，当无法在视觉数据中找到地图的视觉特征时，UAV被移动(升起/旋转)，直到在视觉数据中找到地图的视觉特征。
在可选的针对每个UAV估计绝对位置和定向的步骤48中，控制设备针对每个UAV估计相对于编队坐标系的绝对位置和定向。
在另一个实施例中，给定每对UAV的所估计的距离和定向的情况下，估计绝对位置和定向。然后编队被完美地定义。
当执行步骤48时，在步骤50中，基于绝对位置和定向来确定控制参数。
本文提出的方法还可用于确定编队的大小。
本文提出的实施例允许UAV被附接在编队中并且被控制以执行自主协作飞行，例如用于空中运输应用。UAV在编队内的位置和定向不需要是先验已知的或预先确定。而且，该方法仅需要来自UAV中已经存在的IMU的数据，并且不需要任何附加的定位系统或硬件(例如，GPS、室内定位系统等)。
该估计以在线和快速的方式执行，并且它可以在飞行尝试之前立即执行。一旦估计了这些参数，所提议的解决方案就会自动使控制算法适于新的所估计的编队。
图5是示出了根据一个实施例的图3A至图3C的控制设备的组件的示意图。要注意的是，可以与主机设备(当可应用时)共享一个或多个上述组件。使用能够执行存储在存储器64中的软件指令67的合适的中央处理单元(CPU)、多处理器、微控制器、数字信号处理器(DSP)等中的一个或多个的任意组合来提供处理器60，存储器64因此可以是计算机程序产品。备选地，可以使用专用集成电路(ASIC)、现场可编程门阵列(FPGA)等来实现处理器60。处理器60可以被配置为执行以上参考图4A至图4B描述的方法。
存储器64可以是随机存取存储器(RAM)和/或只读存储器(ROM)的任意组合。存储器64还包括持久存储设备，其例如可以是磁存储器、光学存储器、固态存储器或甚至远程安装存储器中的任意单独一个或其组合。
还提供了数据存储器66，用于在处理器60中对软件指令的执行期间读取和/或存储数据。数据存储器66可以是RAM和/或ROM的任意组合。
控制设备1还包括用于与外部和/或内部实体进行通信的I/O接口62。
控制设备1的其他组件被省略，以便不会模糊本文提出的构思。
图6是示出了根据一个实施例的图3A至图3C的控制设备的功能模块的示意图。模块使用诸如在控制设备1中执行的计算机程序之类的软件指令来实现。备选地或附加地，使用硬件(诸如ASIC(专用集成电路)、FPGA(现场可编程门阵列)或分立逻辑电路中的任何一个或多个)来实现模块。模块对应于图4A至图4B所示的方法中的步骤。
UAV确定器70对应于步骤40。起飞控制器72对应于步骤42。惯性数据获取器74对应于步骤44。数据滤波器75对应于步骤45。更多UAV确定器73对应于步骤43。UAV连接参数估计器76对应于步骤46。更多对确定器77对应于步骤47。位置和定向估计器78对应于步骤48。控制参数确定器79对应于步骤50。地图比较器71对应于步骤41。
图7示出了包括计算机可读装置的计算机程序产品90的一个示例。在该计算机可读装置中，可以存储计算机程序91，该计算机程序可以使处理器执行根据本文描述的实施例的方法。在该示例中，计算机程序产品是诸如CD(紧凑盘)或DVD(数字多功能盘)或蓝光盘之类的光盘。如上所述，该计算机程序产品也可以体现在设备的存储器中，例如图5的计算机程序产品64。虽然计算机程序91此处被示意性地示为所示光盘上的轨道，可以以任意适合于计算机程序产品的方式来存储计算机程序，例如可移除固态存储器(例如，通用串行总线(USB)驱动器)。
已经参考一些实施例在上文中主要地描述了本发明。然而，如本领域技术人员容易理解的，除了上文所公开的实施例之外的其它实施例同样可能在由所附专利权利要求限定的本发明的范围内。

Claims (29)

1.一种用于确定用于控制编队(3)飞行的控制参数的方法，所述编队(3)包括至少两个彼此物理连接的无人机UAV(2、2a-c)，所述方法在控制器设备(1)中被执行并且包括以下步骤：
确定(40)形成所述编队(3)的部分的位于地面的UAV(2、2a-c)；
控制(42)所述UAV中的每个UAV依次执行起飞过程，每个起飞过程包括：相应的UAV从地面起飞之后降落在地面上，而其它一个或多个UAV保持在地面上；
与每个起飞过程同时，在相应的UAV从地面起飞时，从所述编队(3)的所述UAV(2、2a-c)中的每个UAV的惯性测量单元IMU获取(44)惯性数据；
基于所述惯性数据针对所述编队的可能的每对UAV(2、2a-c)估计(46)UAV连接参数，所述UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个；以及
基于所估计的连接参数来确定(50)用于控制所述编队(3)飞行的每个UAV的控制参数，所估计的连接参数基于与每个起飞过程同时获取的惯性数据。
2.根据权利要求1所述的方法，还包括以下步骤：
针对每个UAV，估计(48)相对于所述编队的坐标系的绝对位置和定向；
其中，确定(50)控制参数的步骤是基于所述绝对位置和定向的。
3.根据权利要求1所述的方法，还包括以下步骤：
对所获取的惯性数据进行滤波(45)，产生滤波后的惯性数据；
并且其中，估计(46)UAV连接参数的步骤是基于所述滤波后的惯性数据的。
4.根据权利要求3所述的方法，其中，滤波(45)的步骤包括滤波以减小偏差。
5.根据权利要求3或4所述的方法，其中，滤波(45)的步骤包括滤波以减小漂移误差。
6.根据权利要求1至4中任一项所述的方法，其中，获取(44)的步骤包括：针对所述UAV中的至少一个UAV，从该UAV的视觉传感器获取视觉数据，并且其中，估计(46)UAV连接参数的步骤是基于所述视觉数据的。
7.根据从属于权利要求3的权利要求6所述的方法，其中，滤波(45)的步骤是基于所述视觉数据的。
8.根据权利要求6所述的方法，其中，获取(44)的步骤包括分别获取所有UAV的视觉数据。
9.根据权利要求6所述的方法，还包括以下步骤：将所述视觉数据的视觉特征与包含视觉特征及其位置的地图进行比较(41)。
10.根据权利要求1至4中任一项所述的方法，其中，估计(46)UAV连接参数的步骤包括：基于从所述惯性数据的每个UAV的加速度和角速度数据导出的每个UAV的个体姿态的估计，来估计相对定向。
11.根据权利要求10所述的方法，其中，估计(46)的步骤包括：通过对加速度进行二重积分来估计每个UAV的位置，并且其中，该对UAV之间的距离是基于该对UAV中的每个UAV的个体姿态的估计、该对UAV中的每个UAV的位置的估计、以及该对UAV之间的相对定向的估计来估计的。
12.根据权利要求1至4中任一项所述的方法，其中，确定(50)控制参数的步骤是基于预训练的机器学习模型的。
13.根据前述权利要求1至4中任一项所述的方法，其中，所述编队(3)的所有UAV(2、2a-c)形成单个平面的部分。
14.一种用于确定用于控制编队(3)飞行的控制参数的控制器设备(1)，所述编队(3)包括至少两个彼此物理连接的无人机UAV(2、2a-c)，所述控制器设备(1)包括：
处理器(60)；以及
存储指令(67)的存储器(64)，所述指令(67)在由所述处理器执行时使所述控制器设备(1)：
确定形成所述编队(3)的部分的位于地面的UAV(2、2a-c)；
控制所述UAV中的每个UAV依次执行起飞过程，每个起飞过程包括：相应的UAV从地面起飞之后降落在地面上，而其它一个或多个UAV保持在地面上；
与每个起飞过程同时，在相应的UAV从地面起飞时，从所述编队(3)的所述UAV(2、2a-c)中的每个UAV的惯性测量单元IMU获取惯性数据；
基于所述惯性数据针对所述编队的可能的每对UAV(2、2a-c)估计UAV连接参数，所述UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个；以及
基于所估计的连接参数来确定用于控制所述编队(3)飞行的每个UAV的控制参数，所估计的连接参数基于与每个起飞过程同时获取的惯性数据。
15.根据权利要求14所述的控制器设备(1)，还包括在由所述处理器执行时使所述控制器设备(1)进行以下操作的指令(67)：
针对每个UAV，估计相对于所述编队的坐标系的绝对位置和定向；
其中，用于确定控制参数的指令包括在由所述处理器执行时使所述控制器设备(1)基于所述绝对位置和定向来确定控制参数的指令(67)。
16.根据权利要求14所述的控制器设备(1)，还包括在由所述处理器执行时使所述控制器设备(1)进行以下操作的指令(67)：
对所获取的惯性数据进行滤波，产生滤波后的惯性数据；
并且其中，用于估计UAV连接参数的指令包括在由所述处理器执行时使所述控制器设备(1)基于所述滤波后的惯性数据来估计UAV连接参数的指令(67)。
17.根据权利要求16所述的控制器设备(1)，其中，用于滤波的指令包括在由所述处理器执行时使所述控制器设备(1)进行滤波以减小偏差的指令(67)。
18.根据权利要求16或17所述的控制器设备(1)，其中，用于滤波的指令包括在由所述处理器执行时使所述控制器设备(1)进行滤波以减小漂移误差的指令(67)。
19.根据权利要求14至17中任一项所述的控制器设备(1)，其中，用于获取的指令包括在由所述处理器执行时使所述控制器设备(1)针对所述UAV中的至少一个UAV从该UAV的视觉传感器获取视觉数据的指令(67)，并且其中，估计UAV连接参数是基于所述视觉数据的。
20.根据从属于权利要求16的权利要求19所述的控制器设备(1)，其中，所述滤波是基于所述视觉数据的。
21.根据权利要求19所述的控制器设备(1)，其中，用于获取的指令包括在由所述处理器执行时使所述控制器设备(1)分别获取所有UAV的视觉数据的指令(67)。
22.根据权利要求19所述的控制器设备(1)，还包括在由所述处理器执行时使所述控制器设备(1)将所述视觉数据的视觉特征与包含视觉特征及其位置的地图进行比较的指令(67)。
23.根据权利要求14至17中任一项所述的控制器设备(1)，其中，用于估计UAV连接参数的指令包括在由所述处理器执行时使所述控制器设备(1)基于从所述惯性数据的每个UAV的加速度和角速度数据导出的每个UAV的个体姿态的估计，来估计相对定向的指令(67)。
24.根据权利要求23所述的控制器设备(1)，其中，用于估计的指令包括在由所述处理器执行时使所述控制器设备(1)通过对加速度进行二重积分来估计每个UAV的位置，并且基于该对UAV中的每个UAV的个体姿态的估计、该对UAV中的每个UAV的位置的估计、以及该对UAV之间的相对定向的估计来估计该对UAV之间的距离的指令(67)。
25.根据权利要求14至17中任一项所述的控制器设备(1)，其中，用于确定控制参数的指令包括在由所述处理器执行时使所述控制器设备(1)基于预训练的机器学习模型来确定控制参数的指令(67)。
26.根据权利要求14至17中任一项所述的控制器设备(1)，其中，所述编队(3)的所有UAV(2、2a-c)形成单个平面的部分。
27.一种控制器设备(1)，包括：
用于确定形成编队(3)的部分的位于地面的无人机UAV(2、2a-c)的装置，所述编队(3)包括至少两个彼此物理连接的UAV(2、2a-c)；
用于控制所述UAV中的每个UAV依次执行起飞过程的装置，每个起飞过程包括：相应的UAV从地面起飞之后降落在地面上，而其它一个或多个UAV保持在地面上；
与每个起飞过程同时，在相应的UAV从地面起飞时，从所述编队(3)的所述UAV(2、2a-c)中的每个UAV的惯性测量单元IMU获取惯性数据的装置；
用于基于所述惯性数据，针对所述编队的可能的每对UAV(2、2a-c)估计UAV连接参数的装置，所述UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个；以及
用于基于所估计的连接参数来确定(50)用于控制所述编队(3)飞行的每个UAV的控制参数的装置，所估计的连接参数基于与每个起飞过程同时获取的惯性数据。
28.一种存储用于确定用于控制编队(3)飞行的控制参数的计算机程序(67、91)的计算机可读存储介质，所述编队(3)包括至少两个彼此物理连接的无人机UAV(2、2a-c)，所述计算机程序包括计算机程序代码，所述计算机程序代码在控制器设备(1)上运行时使所述控制器设备(1)：
确定形成所述编队(3)的部分的位于地面的UAV(2、2a-c)；
控制所述UAV中的每个UAV依次执行起飞过程，每个起飞过程包括：相应的UAV从地面起飞之后降落在地面上，而其它一个或多个UAV保持在地面上；
与每个起飞过程同时，在相应的UAV从地面起飞时，从所述编队(3)的所述UAV(2、2a-c)中的每个UAV的惯性测量单元IMU获取惯性数据；
基于所述惯性数据，针对所述编队的可能的每对UAV(2、2a-c)估计UAV连接参数，所述UAV连接参数包括该对UAV之间的相对定向、绝对定向和距离中的至少一个；以及
基于所估计的连接参数来确定用于控制所述编队(3)飞行的每个UAV的控制参数，所估计的连接参数基于与每个起飞过程同时获取的惯性数据。
29.一种计算机程序产品(64，90)，包括计算机程序(67，91)，所述计算机程序当在控制器设备(1)上运行时，使所述控制器设备(1)执行根据权利要求1所述的方法。
CN201980038518.5A 2018-06-11 2019-06-10 针对多个uav的编队确定控制参数 Active CN112262357B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862683588P 2018-06-11 2018-06-11
US62/683,588 2018-06-11
PCT/EP2019/065064 WO2019238596A1 (en) 2018-06-11 2019-06-10 Determining control parameters for formation of multiple uavs

Publications (2)

Publication Number Publication Date
CN112262357A CN112262357A (zh) 2021-01-22
CN112262357B true CN112262357B (zh) 2024-10-18

Family

ID=66821264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980038518.5A Active CN112262357B (zh) 2018-06-11 2019-06-10 针对多个uav的编队确定控制参数

Country Status (6)

Country Link
US (1) US20210255644A1 (zh)
EP (1) EP3803531B1 (zh)
CN (1) CN112262357B (zh)
ES (1) ES2927579T3 (zh)
PL (1) PL3803531T3 (zh)
WO (1) WO2019238596A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200033851A1 (en) 2018-07-27 2020-01-30 California Institute Of Technology Modular and dynamically reconfigurable flying systems encompassing flying vehicle modules
CN111638725B (zh) * 2020-05-14 2021-08-10 西安电子科技大学 基于蚁群算法与人工势场法的无人机编队重构系统及方法
CN113009930B (zh) * 2021-03-05 2022-02-11 北京航空航天大学 一种无人飞艇编队飞行轨迹跟踪控制方法及系统
CN113220022B (zh) * 2021-05-06 2022-08-09 西北工业大学 基于事件触发估计信息传输的飞行编队有限时间自适应控制方法
CN114115335A (zh) * 2021-11-05 2022-03-01 桂林航天工业学院 一种基于跟踪微分器的多四旋翼无人机安全编队控制方法
CN114296478B (zh) * 2021-12-29 2023-07-28 南京邮电大学 一种基于极点分析法的无人机编队一致性控制方法
CN114489124B (zh) * 2022-01-05 2023-07-28 南京邮电大学 一种保证无人机编队一致性动作的方法
CN114545979B (zh) * 2022-03-16 2022-10-25 哈尔滨逐宇航天科技有限责任公司 一种基于强化学习的飞行器智能滑模编队控制方法
CN115856985B (zh) * 2023-02-27 2023-05-12 西南科技大学 一种大气放射性污染的无人机协同监测方法
CN115993842B (zh) * 2023-03-23 2023-05-30 西北工业大学深圳研究院 一种用于群体智能系统的编队协同控制方法
CN116466735B (zh) * 2023-06-12 2023-09-12 中南大学 一种航天器编队姿态定向协同控制方法及相关设备

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9043052B2 (en) * 2008-05-27 2015-05-26 Wilfred So System and method for multiple vehicles moving a common payload
CA2666889A1 (en) * 2008-05-27 2009-11-27 Wilfred P. So System and method for multiple aircraft lifting a common payload
US20100308174A1 (en) * 2009-06-03 2010-12-09 Grant Calverley Rotocraft power-generation, control apparatus and method
IT1397290B1 (it) * 2009-12-02 2013-01-04 Selex Communications Spa Metodo e sistema di controllo automatico della formazione di volo di veicoli aerei senza pilota.
EP2812763B1 (en) * 2012-02-10 2019-12-11 Merlin Technology Inc. Autopilot control arrangement and methods
US9079662B1 (en) * 2012-10-01 2015-07-14 The Boeing Company Co-operative, modular, unmanned, vertical lift cargo vehicles
US9457899B2 (en) * 2013-06-24 2016-10-04 The Boeing Company Modular vehicle lift system
WO2015143684A1 (en) * 2014-03-27 2015-10-01 SZ DJI Technology Co., Ltd. Assisted takeoff
US10173775B2 (en) * 2014-11-03 2019-01-08 The Boeing Company Modular thrust system
US11480958B2 (en) * 2015-02-19 2022-10-25 Amazon Technologies, Inc. Collective unmanned aerial vehicle configurations
US9975632B2 (en) * 2016-04-08 2018-05-22 Drona, LLC Aerial vehicle system
CN206537510U (zh) * 2017-03-10 2017-10-03 佛山市神风航空科技有限公司 一种飞机的起降装置
US10948293B2 (en) * 2017-05-23 2021-03-16 Omnitek Partners Llc Polarized radio frequency (RF) roll, pitch and yaw angle sensors and orientation misalignment sensors
US10606678B2 (en) * 2017-11-17 2020-03-31 Tesla, Inc. System and method for handling errors in a vehicle neural network processor

Also Published As

Publication number Publication date
US20210255644A1 (en) 2021-08-19
CN112262357A (zh) 2021-01-22
EP3803531B1 (en) 2022-08-24
WO2019238596A1 (en) 2019-12-19
ES2927579T3 (es) 2022-11-08
PL3803531T3 (pl) 2023-01-16
EP3803531A1 (en) 2021-04-14

Similar Documents

Publication Publication Date Title
CN112262357B (zh) 针对多个uav的编队确定控制参数
US11073389B2 (en) Hover control
EP3317691B1 (en) System and method for laser depth map sampling
US9954992B2 (en) Mobile device enabled robotic system
Yang et al. Precise quadrotor autonomous landing with SRUKF vision perception
WO2021081774A1 (zh) 一种参数优化方法、装置及控制设备、飞行器
US11741720B2 (en) System and method for tracking objects using using expanded bounding box factors
CN110989682B (zh) 基于单基站的无人机精准降落方法
Hoang et al. Vision-based target tracking and autonomous landing of a quadrotor on a ground vehicle
CN113228103A (zh) 目标跟踪方法、装置、无人机、系统及可读存储介质
CN109814588A (zh) 飞行器以及应用于飞行器的目标物追踪系统和方法
Andersen et al. Improving MAV pose estimation using visual information
Razinkova et al. Tracking a moving ground object using quadcopter UAV in a presence of noise
Haus et al. Visual target localization with the spincopter
Peng et al. Vision based target tracking/following and estimation of target motion
Yigit et al. Visual attitude stabilization of a unmanned helicopter in unknown environments with an embedded single-board computer
CN112180962A (zh) 无人机的飞行控制方法及装置、电子设备、存储介质
Ma et al. KCF based 3D Object Tracking via RGB-D Camera of a Quadrotor
CN113168532A (zh) 目标检测方法、装置、无人机及计算机可读存储介质
WO2019193811A1 (ja) 制御装置、制御方法、および、プログラム
CN112262074A (zh) 摄像方法
CN106949887B (zh) 空间位置追踪方法、空间位置追踪装置及导航系统
Luxman et al. Implementation of back-stepping integral controller for a gesture driven quad-copter with human detection and auto follow feature
Iwatani et al. Markerless visual servo control of a micro helicopter with a wireless camera
Duran et al. Towards Collaborative Obstacle Avoidance using Small UAS in Indoor Environments

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant