13、多旋翼飞行器导航与地雷检测技术解析

多旋翼飞行器导航与地雷检测技术解析

1. 多旋翼飞行器导航控制研究

在多旋翼飞行器的飞行过程中,偏航航向旋转对飞行有较大影响。在相关飞行测试中,偏航旋转速度可达约 50°/s。不过,实验数据表明,飞行器在偏航旋转时会围绕参考轨迹振荡。虽然高偏航旋转速度会影响位置控制,但 50°/s 对于许多应用来说是可接受的。

研究团队扩展了之前的测试,使用额外的多旋翼飞行器 Parrot AR Drone 2.0 进行更多 3D 轨迹测试。这些测试展示了架构如何自动考虑每个航点处轨迹的内角,以及速度规划部分如何考虑航点之间的距离。

该研究的贡献主要有两方面:
- 探讨了多旋翼导航控制器故障的各种原因。
- 提出了一种简单且可靠的方法,在中层控制器架构中解决这些问题。

同时,所有相关代码都可在两个 GitHub 仓库中获取。研究围绕视觉里程计估计错误时,状态估计算法和控制器可能产生的负面交互展开。通过实验,确定了估计算法正确工作的安全边界,并设计了控制器,使其能自然地限制飞行器速度。这一工作提高了实验测试的安全性和可重复性,进而提高了测试效率,还在 2012 年的 IMAV 竞赛中获得了两个奖项。实验测试显示了该方法的鲁棒性,小的轨迹跟踪误差表明应重点改进里程计和定位算法,而非控制器本身。

整体而言,所提出的架构旨在实现多旋翼飞行器的快速部署。它允许使用低成本飞行器(如 AR Drone)在实际飞行中测试自主导航软件,然后轻松移植到更专业的飞行器(如 Asctec Pelican)上。

以下是一个简单的流程图,展示多旋翼飞行器导航控制的主要流程:


                
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值