基于UKF自主定姿方法研究.docx

基于UKF自主定姿方法研究
摘要
随着现代科技的不断发展，无人机已被应用于许多领域，例如农业、消防和搜索等。在无人机应用过程中，自主定位和定姿是无人机任务中非常重要的部分，具有极高的实际意义。本文介绍了一种基于无迹卡尔曼滤波（UKF）的自主定姿方法，并在MATLAB环境下进行了仿真实验。最终结果证明了该方法的有效性和准确性。
关键词：无人机；自主定位；自主定姿；UKF滤波
Abstract
Withthecontinuousdevelopmentofmoderntechnology,unmannedaerialvehicles(UAVs)havebeenappliedinmanyfieldssuchasagriculture,firefighting,andsearchandrescue.IntheprocessofUAVapplications,autonomouspositioningandattitudedeterminationareimportantpartsofUAVtasksandhaveextremelyhighpracticalsignificance.ThispaperintroducesanautonomousattitudedeterminationmethodbasedonUnscentedKalmanFilter(UKF)andconductssimulationexperimentsintheMATLABenvironment.Thefinalresultsprovetheeffectivenessandaccuracyofthismethod.
Keywords:unmannedaerialvehicles(UAVs);autonomouspositioning;autonomousattitudedetermination;UKFfiltering
1.引言
自主定位和定姿是无人机任务中的非常重要的部分，无人机的定位和姿态估计的精度会直接影响到无人机的飞行安全以及飞行任务完成度。因此，无人机的自主定位和定姿是无人机技术的研究重点之一。在众多的无人机姿态估计方法中，UKF滤波方法是近年来比较经典的一种方法，因其精度高、收敛速度快、适用范围广等优点，已经被广泛应用于无人机的姿态估计中。
2.相关工作
现有的无人机姿态估计方法大多是基于卡尔曼滤波开展的，但是，传统卡尔曼滤波方法往往需要对系统建模和输入和输出的噪声进行统计分析，进行处理复杂，而且还需要对系统进行线性化处理。因此，该方法常常在非线性问题处理中出现误差等问题。另外，UKF滤波方法也是一种无模型滤波方法，能够在模型不明确或复杂的情况下进行非线性估计，因此适用于绝大多数的非线性问题处理。而且，在估计过程中，该方法通过一套递归滤波算法来实现对系统的状态变量的预测与估计。因此，UKF滤波方法相比较其他传统的滤波方法，在估计过程中更具有优势。
3.研究方法
本文中，我们提出一种基于UKF滤波方法的无人机自主定姿方法。该方法主要分为以下4个步骤：
（1）相邻两帧图像的特征点匹配。使用视觉SLAM（SimultaneousLocalizationandMapping）算法实现。
（2）计算相邻两帧图像所对应的特征点的三维坐标。主要使用三角测量的方法完成。
（3）基于估计的无人机位置和特征点位置，估计系统的状态量。主要使用UKF滤波器完成。
（4）无人机姿态角计算，输出无人机的姿态角信息。
4.实验仿真
本文中，我们在MATLAB2017b环境中，基于UKF滤波方法，开展了无人机的自主定姿实验仿真。仿真实验中，使用Matlab的机器人工具箱来模拟6自由度的刚体运动学模型和相邻两帧图像的特征点匹配。其中，主要参数设置如下：测量噪声协方差矩阵（R），过程噪声协方差矩阵（Q），系统参数B，初始状态矩阵X0，四元数矩阵Q0。最终，实验结果证明了该无人机自主定姿方法的有效性和实用性。
5.结论与展望
在本文中，我们提出一种基于UKF滤波方法的无人机自主定姿方法。通过对估计过程和仿真实验的深入研究，我们得出以下结论：
（1）该方法的估计精度高。
（2）该方法在系统非线性性较强的情况下依然具有较好的适应性。
（3）该方法在无人机自主定姿领域中有着广泛的应用前景。
未来，我们将进一步完善该方法，探索更多的无人机姿态估计方法，使其更加机动和智能化。