在阅读文章之前，请您点击一下“关注”，既方便您讨论与分享，又能给您带来不一样的参与感，感谢您的支持。
文丨见过世面的big龙
编辑丨见过世面的big龙
前言无人机飞行控制技术成为人们关注的焦点，重点模拟无人机的飞行和方向控制，并检测复杂虚拟环境中无人机与物体之间的碰撞，可以采用比拟积分微分控制算法来控制虚拟环境中无人机的方向和位置。
无人机是一种小型快速具有许多有用的功能的飞机，广泛应用于军事侦察、航拍和搜索等领域并具有很好的实际应用和发展前景。由于无人机飞行方向容易改变，其航向和飞行路径难以控制导致其损坏率较高。
采用网格与k维树相结合的边界框方法的版本，以提高系统性能并加速碰撞检测，这为未来无人机飞行位置与姿态控制、碰撞检测等研究提供了实用方法，无人驾驶飞行器俗称无人机是一种没有人类飞行员的飞行器。
无人机可以应用于爬升、下降和偏航等因为体积比较小使用方便。无人机在军事和民用领域具有广阔的应用前景包括情报获取、目标跟踪和监控等，无人机是一种具有六个自由度和多个控制输入的欠驱动系统。
无人机还具有多变量、强耦合等特点这些都使得其飞控设计难度很大，在无人机仿真系统中，必须考虑无人机与其周围可能复杂的环境之间的相互作用，准确的碰撞检测是另一个焦点。准确的碰撞检测可以提高无人机仿真系统的真实性和可靠性给用户更好的沉浸感。
近年来随着无人机控制理论的不断发展和完善，将更好的控制算法应用到飞行控制系统中已成为飞行控制研究者研究的重点问题之一，提出了许多不同的控制方法例如反步控制和无抖振滑模高度控制，并将其应用于无人机飞行控制并取得了良好的效果。
由于反步控制方法对模型有一定程度的依赖性首先使用神经网络来消除动态建模误差，采用反步控制方法设计了四转子控制器并取得了较好的仿真结果，专用工具也对该领域做出了很大贡献。
近年来无人机在碰撞检测领域的学者进行了广泛的研究并提出了有效的检测方法。这些方法可以分为两个阶段：空间分解方法和分层边界框方法，被尽可能地使用以减少碰撞测试的次数，空间分解通过将空间划分为区域并测试对象是否与同一区域重叠来提供宽阶段处理。
它主要包括三种类型的空间划分：网格、树和空间排序。空间划分的问题是确定何时停止划分空间单元并设置单元大小，提出使用统一分区的空间哈希表来提高查询速度，但该方法更适合对象位置分散的情况。
在最坏的情况下即对象位置集中时其时间复杂度，分层边界框方法的基本思想是使用简单的几何形状逐步分解周围的模型。使用相交测试来快速消除不相交的区域，从而减少测试的总数，已经提出了许多边界框算法：球体、轴对齐边界框和定向边界框。
姿态控制是实现无人机许多复杂功能的前提即它是无人机控制的核心，由于其姿态控制算法的可行性和优越性，采用比例积分微分控制方法来控制无人机PID控制方法的框图，预期角度是控制无人机的遥控器的角度。
当前角度是由无人机仿真系统测量得到的，这里的角度指的是俯仰角、偏航角和旋转角。在PID控制计算过程中这三个角度是相互独立的，水平位置PID控制以期望位置与实际位置之间的差值作为所需距离来计算期望速度，然后利用PID控制算法获得无人机的位置。
位置控制引导无人机沿指定轨迹或按照指定位置悬停，位置控制分为垂直位置控制和水平位置控制，垂直控制计算期望高度与实际高度之间的差值作为期望爬升率，然后利用PID控制算法获得无人机的高度。
无人机在模拟自然环境中飞行时应考虑与物体的碰撞，将碰撞器分为两类：静态碰撞器和动态碰撞器。一般来说动态碰撞体比静态碰撞体要少得多，因此可以根据与无人机的距离进行单独过滤。
无人机与静态对撞机之间的碰撞一般来说复杂的环境有大量的碰撞器。如果对所有碰撞体都进行碰撞检查算法的时间成本会很高，而且实时性也无法保证，对于在有大量树木、草地等的虚拟仿真环境中飞行的无人机来说，可能与无人机发生碰撞的物体非常重要。
整个过程可以概括为以下步骤：对于无人机所在区域选择区域大小，通过均衡网格技术将第一步得到的区域划分为适当大小的网格单元，每个网格单元中的对象被组织成一棵kd树，每个网格单元保存着它所拥有的k维树的根节点指针。
可以得到每个网格单元中的对象都按kd树结构组织起来，结合网格技术和kd树技术将检测无人机与周围物体之间的碰撞的问题，转化为寻找位于无人机当前网格中指向的kd树上的可能碰撞物体地点，然后找到距离无人机最近的可能碰撞物体。
这类似于kd树的最近邻搜索问题，提出了许多有效的算法来在给定的kd树结构中查找最接近无人机位置的节点，精确的碰撞检测非常耗时通过网格技术和kd树的结合，只需要准确检测无人机与预定碰撞物体的碰撞即可这大大减少了碰撞检测所需的时间。
应该解决创建分层边界框的问题，构造方法主要分为三种类别：自上而下、自下而上和插入，其中自上而下的方法将输入划分为两个或多个子集，将它们限制在选定的包围体中然后在有界子集中递归，自上而下的方法是迄今为止最受欢迎的方法因为它们易于实施。
插入方法通过一次将一个对象插入树中来增量地构建分层边界框，自下而上方法从树的叶子作为输入集开始然后将其中的两个或多个叶子分组以形成新的节点，自下而上的方法比自上而下的方法需要更长的时间来构建但通常会产生更好的树。
选择了一种改进的自下而上的方法来创建分层边界框，用于查找要合并的两个节点的传统自下而上方法涉及检查所有可能的对，计算它们的边界体积并选择具有最小边界体积的对，这需要时间而且必须重复n-1次才能形成一棵满树。
可以根据边界框的体积对叶子节点进行排序，然后使用优先级队列结构来存储它们类似于创建哈夫曼树结构总的构建时间减少，创建分层边界框的过程通过采用这种方法，可以定义碰撞树的最大深度相当于边界框的层数。
显示了树模型的边界框级别绿色表示粗略的边界框红色表示精细的边界框，在为无人机和可能的碰撞器构建分层边界框后可以执行碰撞检测算法。分层边界框碰撞检测算法描述如下，其中ab表示分层边界框a和b之间检测到的精确碰撞。
选取的PID参数值利用MATLAB软件对所采用的PID控制算法进行了仿真验证了其可行性，仿真结果显示无人机的横滚角、俯仰角和偏航角初始位于1rad，最终在模拟曲线中达到悬停效果。
悬停仿真表明俯仰角和偏航角在短时间内达到0rad横滚角在4秒后达到0rad，偏航角有明显的波动另外两个角度的波动幅度很小。可以看到无人机的高度在5秒内达到约20m并保持稳定初始值约为10m，仿真结果表明采用的PID控制算法效果良好。
在配备显卡和8GB内存的个人计算机上测试了的算法显示了不带分区技术的传统分层边界框技术的结果，用于检测复杂虚拟环境中无人机与物体之间的碰撞，显示了方法的结果的算法仅计算无人机及其最近的可能对撞机的分层边界框。
采用的无人机模型包含约15000个三角形，选择了一个复杂的模拟环境依次包含100、1800和3000个树木、房屋等模型，显示了采用的算法和使用未优化算法的模拟系统的帧速率结果。
传统的碰撞检测算法必须在模拟的每一帧中为位于无人机附近的所有可能的碰撞器维护分层边界框结构。这会浪费时间并降低系统性能的算法只需要维护无人机及其最近的可能对撞机的分层边界框结构。
可以观察到随着虚拟环境中可能的碰撞器数量的增加的算法，在无人机仿真系统的帧速率方面变得越来越优于未优化的算法，显示了检测无人机与不同对撞机之间的碰撞所需的时间，通过优化分层边界框树的构造，并选择适当的碰撞树层的算法比未优化的算法更有效。
利用MATLAB仿真实验验证了PID算法对无人机姿态和位置控制的有效性，使用描述的PID控制算法和碰撞检测算法，创建了一个可以控制无人机位置和方向的仿真系统，它可以使无人机沿着既定的轨迹飞行或者沿着由两个环组成的路径飞行。
提出了一种将网格技术与kd树相结合来提高边界框方法精度的方法，这被应用于的无人机模拟系统以提高系统性能并减少碰撞检测所需的时间，可以有效地检测虚拟环境中无人机与物体之间发生的碰撞。
通过将其与线性二次调节器相结合来构建稳定且精确的飞行控制系统，作为未来的工作计划进一步完善控制系统软件功能，提高飞控系统的自主性例如自动避障、自动跟随和独立完成预定的复杂功能等。
文章描述过程、图片都来源于网络，此文章旨在倡导社会正能量，无低俗等不良引导。如涉及版权或者人物侵权问题，请及时联系我们，我们将第一时间删除内容！如有事件存疑部分，联系后即刻删除或作出更改。
