技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究

无人机10086

2021年7月20日 10:12

基于局部相对定位的空地子母机器人自主收放引导系统与技术研究

狄春雷 ^1,²于利 ^1,²潘思 ^1,^2,³谷丰 ^1,²何玉庆 ^1,²

（1. 中国科学院沈阳自动化研究所机器人学国家重点实验室；2. 中国科学院机器人与智能制造创新研究院；3. 中国科学院大学）

摘要 空地子母机器人能够实现地面移动机器人长续航能力和飞行机器人高空侦察能力的互补，在灾害救援、公共安全、军事侦察等诸多领域都有广阔的应用前景。飞行机器人在地面移动机器人上的自主释放与回收是实现子母机器人系统的核心问题。针对母体机器人上起降空间狭小、动态运动等问题，采用相对高精度定位和信息融合的方法设计了一套局部定位引导系统，为飞行机器人的自主起降提供了精准的相对定位信息；并对无人机在移动机器人平台上进行自主起降的控制方法进行了研究，实现了飞行机器人在狭小的地面移动机器人上的自主释放和回收，并在实际的机器人系统上开展了测试，验证了系统的有效性与可行性。该方法与系统为空地协同子母机器人的应用奠定了关键的技术基础，同时也为其他的高精度相对定位应用提供了技术借鉴。

关键词 空地协同机器人；子母机器人系统；自主释放与回收；相对定位；起降引导；降落控制

1 引　言

目前，随着技术的发展，机器人系统在各个领域已经逐步得到了广泛的应用，但是随着对机器人系统需求的深入，未来机器人的应用环境朝着多元化和复杂化发展的趋势明显，即机器人的工作使命更加多元化，工作环境更加复杂化。在这样的背景下，对机器人系统的性能和自主行为能力的要求也随之大大增加。

但是，在当前的技术水平下，无论是空中机器人、地面机器人、还是水面/水下机器人，都具有明显的能力（包括行为能力和面对复杂环境和使命时的智能性）局限性，难以独立承担某些复杂的任务使命。尽管利用多个同类型的机器人相互协调、合作组成一个有机整体能够有效提升单平台的任务执行效率，但仍然难以应对更加复杂的战术使命，如区域陆、海、空全面监控使命。而如果能将具有不同运动特性和功能的多种异类无人平台组成有机整体，并通过协调与合作，实现优势互补与增强，无疑可大大提升整体的工作效能。因此，子母机器人系统应运而生，通过不同空间机器人的信息融合和行为协调可以显著提升子母机器人系统的能力。

子母机器人的显著性能已经在很多场合获得了一定程度的应用和认可。如美国橡树岭国家实验室（Oak Ridge National Laboratories）和萨凡纳河研究中心（Savannah River Technology Center）联合提出的用于地面信息采集的地面-地面子母机器人（Mobile Automated Characterization System， MACS） ^［1］，如图1（a）；澳大利亚昆士兰大学研制的用于小型传感装置自动铺设的地面-空中子母机器人系统 ^［2］，如图1（b）；以及由美国海军信息中心研制的空中-地面子母机器人系统 ^［3］等。在子母机器人系统中，母机器人通常具有较强的运载能力和较好的续航能力，能够将子机器人运往指定的作业地点，并提供所需的一些设备；子机器人通常具有良好的机动能力，用于执行具体的作业任务。因此，子母机器人系统具备单一机器人所不具备的优势，能够更好地适应复杂任务的应用需求。例如，北京理工大学研究人员设计了一种水陆两栖用的子母机器人系统 ^［4］，如图1（c），水陆两栖母机器人能够搭载若干仿生微型子机器人，到达水底的目标区域附近之后，释放的子机器人会进入水下狭小空间进行探测任务。

图1 各类子母机器人系统

Fig.1 Different kinds of marsupial robotic systems

空地子母机器人主要由地面母体机器人和以小型无人机为典型代表的子机器人构成。每次执行作业任务时，母机器人需要将子机器人释放，完成任务后，还需要将子机器人进行回收。因此，子机器人的自主释放和回收是空地子母机器人的核心功能，也是构成子母机器人系统的重要技术特征。但是母机器人平台狭小和动态的降落空间给无人机的起降带来了巨大的挑战。如何实现无人机对地面机器人的精准定位和引导，是子母机器人的核心问题。

目前常用的普通全球定位系统（Global Positioning System，GPS），准确度一般在10 m左右，无法满足无人机在狭小母平台上自主降落的定位精度需求。GPS的定位误差主要来源于信号传播过程中的电离层延迟和多路径反射信号的干扰，通过载波相位差分技术，可以将定位精度提高到厘米级。但是，GPS信号十分微弱，容易受到遮挡和其它电磁信号的干扰，无法满足无人机在自主降落过程中对安全性和可靠性的需求 ^［5］。

近些年来，计算机视觉导航技术在无人机的自主起降中得到了大量的研究和应用。基于图像的特征投影关系，通过在着陆平台上设计一个视觉标记，将无人机上相机获得的图像转换为二值图像，然后提取标记中的特征，基于针孔相机模型，可以估计出无人机相对于着陆平台的位姿（位置和方向）。新加坡国立大学学者 ^［6］采用一种基于视觉和激光的定位算法，实现无人机对移动平台的跟踪和着陆。在无人机上安装了一个下视的单目摄像机，根据获取的移动平台上的标记进行位姿估计。为了实现无人机预估高度的鲁棒性和精确性，采用激光测距仪来确定无人机的精确高度和着陆过程中的下降速度。墨西哥信息技术与系统研究中心的研究人员 ^［7］基于对颜色的跟踪，获得无人机的位姿估计，并用来修正GPS给出的位置，从而提高位置着陆的性能。该跟踪算法是基于颜色检测，通过查表的方式来确定一个给定的像素是否属于7个颜色标签中的一部分。

标准的立体视觉系统的检测距离受限于基线的长度，检测距离通常只有几十米。为了克服这一问题，国防科技大学研究人员 ^［8］采用两个独立的相机来组建立体视觉系统，并使用一流的AdaBoost图像处理算法来处理不同光线环境下的目标检测和跟踪问题。他们采用了一架翼展2.9 m、长约2.3 m的固定翼无人机，在一个长200 m、宽10 m的跑道上进行了多次起飞降落试验。结果表明，检测距离能提高到600 m左右。

前面的几种视觉导航方法都需要良好的光照条件，为了实现全天候的视觉导航，国防科技大学的科研人员研究了红外视觉导航方法 ^［9］。在图像处理程序中，他们首先采用最大类间方差算法和区域生长算法来确定图像中的候选红外灯区域，然后应用高斯负拉普拉斯算子（Negative Laplacian Of Gaussian，NLOG）来检测和跟踪图像中红外灯的中心。根据红外灯的中心图像坐标和空间坐标之间的对应关系来获得相机的空间位置和姿态。最后，根据摄像机和无人机之间的安装关系计算出无人机空间位置。大量的实际飞行和静态精度实验证明了该方法的有效性和准确性。

超宽带（Ultra Wide Band，UWB）是一种新的无线通信技术，具备高精度测距和定位能力，近年来在无人机导航方面得到了广泛的关注。韩国的学者 ^［10］研究了UWB定位网络体系的设计方法，对定位网络中UWB节点的几何结构进行了优化，并通过仿真对定位性能进行了分析，从而在无人机着陆过程中提供更高的定位精度。德国的学者 ^［11］将UWB定位系统用于无人机的室内定位，使用惯性测量装置（Inertial Measurement Unit，IMU）和光流传感器组成的里程计来提供速度和姿态信息。该系统能够同时给多架无人机提供高精度定位信息，从而利用多架无人机实现自动化物流仓库的货物盘点。意大利的科研人员 ^［12］使用UWB定位技术来搭建车载移动定位系统，通过在地面移动车辆上安装4个UWB节点，可以实现随时随地对无人机进行高精度地追踪和控制。他们使用L-M定位算法进行了数值仿真，研究了车上UWB节点的位置分布以及无人机与地面车辆之间的相对速度大小对UWB定位精度的影响。

在国内方面，中国海洋大学学者对现有的几种经典的UWB定位算法进行了分析 ^［13］，然后将几种算法的结果进行加权平均，对比了不同算法的定位效果。宁波大学学者 ^［14］使用三电平量化检测方法来提高到达时间（Time of Arrival，TOA）估计的准确性，并提出了改进变尺度法的初始坐标修正算法，不仅降低了Taylor级数定位算法对于初始坐标的要求，而且具有比传统最速下降法更高的定位精度和更快的优化收敛速度。北京信息科技大学学者 ^［15］分析了基于到达时差（Time Difference of Arrival，TDOA）的无线定位技术，推导了三维空间的Chan算法，并采用卡尔曼滤波技术进行了优化，提升了定位的准确性。国防科学技术大学学者 ^［16］研究了UWB组网中基站的最优配置模型，实现了基于差分GPS的系统基站标定，完成了UWB定位系统的机载和地面部分的设计，利用无人机平台完成了定位系统的飞行起降验证试验。

虽然UWB技术可以显著提高局部定位精度，但其成本较高，而且对参考点的空间分布有特殊的要求，对于狭小母平台上的起降引导应用具有一定的局限性。但是UWB技术可以构建出子平台与母平台相对状态的空间，从而实现无人机释放和回收的高效引导。

本文借鉴了上述思想，使用多旋翼无人机和地面移动机器人，构建了能够进行空地协同作业任务的子母机器人系统，对于无人机在移动机器人平台上的释放与回收系统与技术开展了研究，提出了一套子母机器人精确起降引导系统。全文内容组织如下：第1部分，对子母机器人的研究现状进行了介绍；第2部分，详细介绍了引导系统的设计与实现，并介绍了引导算法；第3部分，对无人机在移动机器人平台上进行自主起降的控制方法进行了研究；第4部分，对实验结果进行了分析；第5部分，对全文内容进行了总结。

2 无人机释放回收引导系统

2.1　引导系统总体设计

无人机自主收放引导系统基于动态差分GPS构建子机器人（无人机）与母机器人（地面无人车）的相对定位系统，结合IMU等传感器进行定位信息融合，为无人机在狭小移动机器人平台上的起飞和降落提供准确的引导信息，如图2所示。该引导系统主要由无人机机载端、无人车车载端、地面操控系统及电磁铁降落辅助系统四大部分组成。无人机机载端包括机载位置解算模块、定位信息采集板卡和无线数传模块，主要用于接收移动机器人发送的位置引导信息，经过融合处理后发送给飞控系统，引导无人机在移动机器人平台上进行自主降落。无人车车载端主要包括车载位置解算模块、姿态速度传感器、定位信息采集卡和无线数传模块，主要用于给无人机发送位置引导信息。车载端还具有机械固定装置，用于无人机降落停机后的紧固锁定控制。地面操控系统主要为机载端和车载端提供必要的远程操控功能，并对其运行状态进行实时地监控。电磁铁辅助降落系统主要用于在狭小动平台上起降过程中根据控制指令将无人机与降落平台吸附在一起，保证无人机在起降过程中不会侧翻或滑落。

图2 无人机起降的引导系统原理 Fig.2 Principle of guidance system for UAV autonomous take-off and landing

2.2　引导定位方法

2.2.1　相对定位信息测量及实现

无人机起降引导信息是建立在局部坐标系下的相对定位信息，是通过GPS板卡获取无人机与地面平台间的相对位置信息（ x， y， z），通过IMU姿态传感器将相对位置换算到以地面平台降落点为原点的北东地（North East Down， NED）坐标系，如图3所示，然后根据动平台的航向信息生成一条起降航线，保证无人机每次降落时从地面平台后方进场。

图3 动平台自主起降引导系统车载-机载端实物图

Fig.3 Diagram of autonomous take-off and landing guidance system in UAV and UGV

2.2.2　坐标系转换

无人机自主起降引导的主要功能是采集地面和无人机的位置、速度、航向、姿态等信息，并解算无人机相对地面机器人的位置，同时通过无线数传模块发送给无人机，实现无人机相对地面机器人的定位，用于无人机对地面移动机器人的跟踪和降落回收。

无人机在地面移动机器人平台上进行降落回收时，需要以地面移动机器人为参考，飞行到降落平台的中心位置，然后进行降落。因此，需要将车载局部坐标系转换到无人机导航坐标系——北东地NED坐标系 ^［17］，如图4所示。无人机根据引导系统提供的位置信息从当前位置P2飞行跟踪并且降落到地面移动机器人平台上的P1点。设图4中的技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究的图4

、

和

为NED导航坐标系下的三个矢量。技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究的图7

在车载局部坐标系——东北天（East North Up，ENU）坐标系下的表示为技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究的图8

。

在该

图4 车载局部坐标系与机载导航坐标系变换示意图 Fig.4 Relationship between coordinate system in UAV and UGV

坐标系下的表示为

，其中坐标

为降落点在车载局部坐标系下的坐标，可以通过实际测量得到。需要先将矢量技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究的图13

转换到NED坐标系下。对于任意矢量 u，在机体坐标系下表示为技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究的图14

，在NED坐标系下表示为技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究的图15

，则矢量

到

的转换可以用方向余弦阵来实现，

（1）

上式 R中即为方向余弦阵（Direction Cosine Matrix，DCM），也称为姿态矩阵或滚转矩阵，用欧拉角的形式可以写成，

根据以上公式可知矢量技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究的图20

到NED坐标系下的转换公式为，

（2）

为引导系统输出的ENU坐标系数据，将其转换到NED坐标系下的转换公式为，

（3）

其中，

的表达式为，

因此，可以得到无人机在NED导航坐标系下的表达式为，

（4）

解算流程如图5所示。

图5 DCM姿态解算过程框图 Fig.5 Diagram of DCM attitude resolving

2.2.3　局部起降引导航迹生成方法

无人机局部引导信息是经过相对位置信息获取、坐标系转换得到的原点与地面平台目标降落点固连的NED坐标系，也是跟着地面平台移动的局部直角坐标系。所以本文利用地面平台的航向信息生成一条倒“L”形航迹，引导无人降落到地面狭小平台上，如图6所示。

图6 局部起降引导航迹侧视图及俯视图 Fig.6 Side and top view of local take-off and landing guidance track

航迹是由航点连线组成，局部起降引导航迹的航点的设定速度、设定高度 h1， h2， h3， h4由地面站设定输入，为了保证引导航线始终与平台机体坐标系 X轴保持重合，航点的（ x， y）坐标值是根据地面平台航向角极坐标公式计算而得，这样就可以保证无人机从地面平台后方入场，公式如下：

（5）

公式中 d是两个航点间距，本文选取等间距，即： d1= d2= d3= d4= d。至此，无人机就可以根据生成的局部引导起降航迹进行飞行控制，最终降落到地面平台的目标降落点上。

2.3　地面操控系统

地面操控系统基于Qt进行开发，根据降落回收系统的功能需求进行了总体设计，可以划分为通信控制与数据传输、数据显示和数据处理模块。系统的软件架构如图7所示。图8为地面操控系统状态显示及配置界面，可以显示机载端和车载端的系统运行状态、姿态传感器数据、定位板卡原始数据、定位解算星数、最终换算的引导降落数据、无人机距离目标降落点距离和车载端与机载端电池电量等关键信息。

图7 地面操控系统系统软件架构图 Fig.7 Framework of Ground Control Station(GCS)

技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究的图31

图8 地面操控系统系状态显示及配置界面 Fig.8 The display interface of GCS

地面操控系统系状态显示及配置界面如图8所示，该界面不仅显示和监控动平台自主起降引导系统的各传感器实时数据及引导数据、运行状态、健康状态，还具备引导系统的初始配置及起降引导航迹设置功能。

图9是根据2.2.3节所述方法在地面站上配置生成的倒“L”形引导航迹。动平台自主起降引导系统将此实时的倒“L”引导航迹发送给飞控作为自主起降引导控制。该图更直观的体现了本文所述的引导信息是与地面母平台固连的、跟母平台移动的NED局部直角坐标系下的引导信息。

图9 地面站局部起降引导航迹生成及数据监控界面 Fig.9 Local take-off and landing guidance track generation and data monitoring interface of GCS

2.4　电磁铁降落辅助系统

电磁铁降落辅助系统是辅助无人机完成在狭小动平台上的自主起降任务。降落平台上铺设一层铁皮，用于电磁铁降落辅助装置的吸附与释放。本文中选取的电磁铁的吸附重量为80 kg，无人机在起降过程中，根据无人机飞行状态开启和关闭电磁铁，实物图及工作原理图如图10所示。

图10 电磁铁辅助降落系统实物及工作原理图

Fig.10 Electromagnet assisted landing system and working principle diagram

3 无人机起降控制方法

基于引导系统提供的精确位置信息，无人机通过自主控制实现在地面平台上的自主降落。同时为保证在地面平台上的稳定停留，基于电磁铁设计了可控电子鱼叉系统，实现了回收后无人机与地面平台的固连。

设无人机期望推力为 thrust_sp，垂向速度及垂向位置分别为 vel_z和 pos_z，垂向速度期望为 vel_z_sp，设定的起飞速度及悬停高度为 vel_z_tf和 pos_z_tf。无人机起飞控制流程如图11所示，首先检测垂向速度，如果垂向速度小于设定的起飞速度的一半，则累加推力期望，当达到设定速度的一半时，为了保证推力期望连续，给定初始的积分项，并设定垂向期望速度为设定的起飞速度。飞机接近设定的悬停高度时，由位置环计算得到的期望速度不断减小，当此速度小于设定的起飞速度时，则实际期望速度为位置环解算的期望速度。

图11 无人机起飞控制流程图 Fig.11 Control diagram of UAV take-off

执行自主降落任务时，无人机定位信息由导引系统提供，其位置坐标轴为北-东-地，坐标原点为地面移动机器人平台上的起降点。在无人机跟踪移动平台飞行及降落过程中，水平方向采用速度前馈+PID控制方式实现无人机对移动平台的动态跟踪。当无人机到达移动平台上方，无人机与移动平台的位置差和速度差均小于设定值时，进入降落模式。降落模式中，无人机实时跟踪移动平台水平位置，同时给定垂向速度期望并检测无人机垂向速度，当垂向速度小于设定值时，认为无人机接触到了移动平台，关闭无人机动力，启动电磁铁吸附固定于移动平台上，完成无人机子机器人的降落回收。无人机降落回收控制流程如图12所示。

图12 无人机降落回收控制流程图 Fig.12 Control diagram of UAV landing

4 实验验证

4.1　实验平台搭建

空地协同子母机器人系统如图13所示，子机器人为多旋翼无人机，母机器人为小型六轮式地面移动机器人。由于子母机器人任务要求的限制，无人机起降平台的尺寸仅仅为1 m×1 m。无人机自主起降引导系统集成于该起降平台上，引导无人机实现在该狭小平台上的自主起降。

技术研究｜基于局部相对定位的空地子母机器人自主收放引导系统与技术研究的图36

图13 空地协同子母机器人系统 Fig.13 Air-ground cooperative vehicles

无人机硬件平台主要分为多旋翼机体及飞行控制系统两部分。机体为定制的六旋翼飞行器，如图14所示，主要参数见表1。

图14 多旋翼无人机 Fig.14 Multi-rotor UAV platform

表1 多旋翼机体参数 Table 1 Main physical parameters of the multi-rotor UAV

飞行控制系统主要由导航计算机和飞行控制计算机组成，如图15所示。导航模块主要用于采集机体状态传感器的感知数据，经滤波融合后得到机体状态信息。飞行控制计算机接收导航计算机发送的机体状态信息，并接收地面操控系统的控制指令，根据任务需求确定无人机的飞行状态并生成舵机控制指令，实现无人机的稳定飞行及完成作业任务。

图15 飞行控制系统结构图 Fig.15 Diagram of UAV control system

4.2　无人机自主起降实验

为了验证所设计的引导系统和自主起降控制方法，我们在室外进行了无人机与地面移动机器人平台的释放与回收实验。实验过程可以划分为四个阶段：（1）无人机从地面移动机器人平台上释放，起飞到设定的高度；（2）无人机按照任务规划的路径进行自主飞行；（3）无人机对地面移动机器人平台进行跟踪，逐渐飞行到降落平台的正上方；（4）无人机进行自主降落，停机后启动电磁铁装置将其吸附固定在地面移动机器人平台上，完成回收。

实验过程如图16所示，无人机首先从起降平台上自主起飞，在空中悬停并进行自主飞行，然后根据任务需要跟踪地面母机器人进行飞行，完成任务后再降落到地面机器人上。

图16 实验任务流程 Fig.16 The process of the experiment

无人机的三维飞行轨迹如图17所示，图中红色曲线是无人机在地面机器人平台上自主起飞的轨迹，蓝色曲线是无人机在空中自主飞行的轨迹，绿色曲线是无人机跟踪地面平台运动的轨迹，粉色曲线是无人机自主降落到起降平台上的轨迹。从图中可以明显的看出，无人机可以顺利的完成上述设定的实验过程，稳定的从狭小的起降平台上起飞，完成任务后，能够根据引导系统的定位信息，精确的降落在母体机器人的起降平台上。

图17 无人机在地面无人车上的起降轨迹

Fig.17 Take-off and landing trajectory of the UAV on the UGV

无人机降落误差曲线如图18所示，图中红色，蓝色和粉色曲线分别表示 x方向， y方向和 z方向的引导定位误差，其中 x和 y方向的精度是引导精度的重要衡量指标，从图中可以看出 x和 y方向的误差明显的控制在10 cm以内，因此能够满足在1 m×1 m狭小平台上的起降要求，

图18 无人机的降落误差 Fig.18 Error of the landing position

在降落回收过程中，无人机沿 X方向及 Y方向的控制令均为0，无人机的实际响应位置如图19和图20所示， X、 Y方向上的降落误差分别为7.4 cm和3.4 cm。

图19 降落过程中无人机沿X方向的位置变化 Fig.19 Landing trajectory in X direction

图20 降落过程中无人机沿Y方向的位置变化 Fig.20 Landing trajectory in Y direction

5 结　论

本文针对空地子母机器人中飞行机器人在动态地面机器人上的精确回收问题，提出了一套高精度降落引导系统，并基于该引导系统研究了无人机的自主起降控制方法，实现了无人机在狭小地面移动平台上的自主起降。最后开发了多旋翼无人机系统和降落引导系统，在实际平台上验证了所提出方法的可行性与有效性，通过实际验证，无人机的降落误差能够达到厘米级的精度，满足在狭小动态平台上的起降要求。在后续的工作中，将开展在母体平台移动的情况下实现无人机的自主起降，以提升系统的动态应用性能。

1. Anderson M O， Mckay M D， Richardson B S. Multi-robot automated indoor floor characterization team［C］， 1996 IEEE International Conference on Robotics and Automation， Minneapolis， MN， USA， USA， vol.2， 1996， 1750-1753.

2. Corke P， Hrabarz S， Petersony R， et al. Autonomous deployment and repair of a sensor network using an unmanned aerial vehicle［C］， IEEE International Conference on Robotics and Atuomation， Barcelona， Spain， Apr 18-22， 2004， 3602-3608.

3. Mullens K， Pacis E， Stancliff S， et al. Automated UAV mission sytem［EB/OL］.2003［2019］. http：//www.public.navy.mil/spawar/Pacific/Robotics/Documents/Publications/2003/usis03au ms.pdf.

4. Lindemuth M， Murphy R， Steimle E， et al. Sea robot-assisted inspection［J］. IEEE Robotics & Automation Magazine， 2011， 18（2）：96-107.

5. 王亮. 基于多传感器信息融合的无人机着陆导引研究［D］. 西安：西北工业大学， 2015.

6. Wenzel K E， Masselli A， Zell A. Automatic take off， tracking and landing of a miniature UAV on a moving carrier vehicle［J］. Journal of Intelligent & Robotic Systems， 2011， 61（1-4）：221-238.

7. Garcia O， Flores D， Santos O， et al. Autonomous take-off and landing on a colored platform［C］. International Conference on Unmanned Aircraft Systems， Orlando， USA， 2017.

8. Kong W， Zhou D， Zhang Y， et al. A ground-based optical system for autonomous landing of a fixed wing UAV［C］. IEEE International Conference on Intelligent Robots & Systems， Orlando， Florida， USA， 2014.

9. Gui Y， Guo P， Zhang H， et al. Airborne vision-based navigation method for UAV accuracy landing using infrared lamps［J］. Journal of Intelligent & Robotic Systems， 2013， 72（2）：197-218.

10. Kim E， Choi D. A UWB positioning network enabling unmanned aircraft systems auto land［J］. Aerospace Science and Technology， 2016， 58：418-426.

11. Tiemann J， Wietfeld C. Scalable and precise multi-UAV indoor navigation using TDOA-based UWB localization［C］. International Conference on Indoor Positioning & Indoor Navigation， Sapporo， Japan， 2017.

12. Lazzari F， Buffi A， Nepa P， et al. Numerical investigation of an UWB localization technique for Unmanned Aerial Vehicles in outdoor scenarios［J］. IEEE Sensors Journal， 2017， 17（9）：2896-2903.

13. 于梅. 超宽带无线定位算法的研究与仿真［D］. 青岛：中国海洋大学， 2012.

14. 郭建广. 超宽带无线定位技术研究［D］. 宁波：宁波大学， 2015.

15. 李招华，汪毓铎，邵青. 基于Chan的TDOA三维定位算法［J］. 现代电子科技， 2014（011）：36-40.

16. 李宏亮. 基于UWB无线测距的舰载无人直升机起降引导技术研究［D］. 长沙：国防科学技术大学， 2015.

17. Zhang H， He Y， Li D， et al. Marine UAV-USV marsupial platform：System and recovery technic verification［J］. Applied Sciences-Basel， 2020， 10（5）：1583.

引用本文： 狄春雷, 于利, 潘思, 等. 基于局部相对定位的空地子母机器人自主收放引导系统与技术研究[J]. 无人系统技术, 2020, 3(6):68-78. (DI Chunlei,YU Li,PAN Si,et al.Research on Autonomous Take-Off and Landing Guidance System of Air-Ground Marsupial Robot Based on Local Relative Positioning[J].Unmanned Systems Technology,2020,03(06):68-78.)

来源丨《无人系统技术》2020年第6期

编辑丨杨文钰

监制丨李志

登录后免费查看全文

立即登录