MEMS姿态传感器在控制飞行器中的应用研究

摘 要：文章介绍了MEMS姿态传感器在控制飞行器中的应用研究。首先介绍了无人控制飞行器系统，以STM32F407VGT6（ARM Cortex-M4）处理器为控制核心，利用MEMS姿态传感器为姿态检测模块，通过PC端应用软件系统规划行驶路径，同时辅以4G无线传输GPS地理位置定位、实现飞行器的地理位置反馈和环境监控，通过对比仿真对照ANP控制器和PID控制器的试验结果，试验表明：ANP控制器比PID控制器在飞行器的应用中使得系统性能更稳定，精度更高。

关键词：MEMS姿态传感器 ANP控制 PID控制器 无人驾驶飞行器

中图分类号：TP334.3 文献标识码：A 文章编号：1674-098X（2016）08（c）-0008-03

开发无人驾驶的微型飞行器，对危险领域进行探测和搜救即可减少伤害的发生。在微型飞行器的研究方面，目前欧美等发达国家远远走在全球的前列，且成功研究了固定翼式、旋翼式和扑翼式各类微型飞行器，我国高校和研究所虽然也开始展开了相关研究，但在救灾减灾方面研究极少。监控室的监控人员事先规划路线通过4G无线传输对飞行器实现实时路径导航和无线控制，当飞行器到达灾后现场上空时，通过所携带的摄像头和环境传感器采集将图像资料和环境参数无线传输给监控室，给现场决策提供帮助。

1 硬件设计

1.1 系统结构

系统硬件主要由姿态解算MEMS器件AHRS（Attitude and Heading Reference System）、控制系统（ARM Cortex-M4处理器、环境监控系统、GPS导航系统、智能相机系统及4G传输系统）构成。

主控制芯片选用STM32F407VGT6，采用ARM32-bitCortex?-M4内核，通过STM32内部的PLL，处理器最高运行主频为168 MHz，较强的DSP处理能力在姿态算法上可以保证较高的精度和较快的响应速度[1]。

环境监控模块主要由温湿度传感器SHT11、PM2.5粉尘传感器SM-PWM-0.1A和石油液化气模块MS6100组成。GPS定位选用U-box PAM-7Q模块，具有U-blox 7引擎的高性能，以业内公认的封装形式提供高灵敏度和行内最短的捕捉时间，其最大更新速率为10 Hz，定位精度2.5 mCEP。智能相机选用Intova SP1 Sport HD 1080p高清摄影相机；4G视频数据无线传输支持图像压缩，保证视频高速传递。

1.2 MEMS姿态解算器

姿态解算MEMS器件AHRS（Attitude and Heading Reference System）由三轴角速度陀螺仪、三轴加速度计、三轴磁阻传感器、气压高度传感器组成。

MPU6050M合了16位A/D三轴陀螺仪和三轴加速度计，为全球首例整合性6轴运动处理组件，相较于多组件方案，免除了组合陀螺仪与加速器时之轴间差的问题，减少了大量包装空间，产品传输可通过最高至400 kHz的I2C总线。

HMC5883L采用霍尼韦尔各向异性磁阻（AMR）技术，这些各向异性传感器具有在轴向高灵敏度和线性高精度的特点。传感器具有的对正交轴的低灵敏度的固相结构能用于测量地球磁场的方向和大小，其测量范围从毫高斯到8高斯（gauss）。

BMP180是一款高精度、小体积、超低能耗的压力传感器，采用强大的8-pin陶瓷无引线芯片承载（LCC）超薄封装。

各传感器通过I2C接口与STM32F407VGT6连接，同时传感器的数据中断引脚与STM32F407VGT6的IO相连。传感器在完成ADC转换，STM32F407VGT6在第一时间读取最新的数据，快速响应姿态的变化。这样的连接使得控制器拥有最大的主动权，最快地获取各传感器的状态和转换结果。

2 算法研究

飞行器采用四元数加互补滤波作为姿态解算算法，引入高度的自适应神经网络PID作为控制器，实现自适应环境飞行和相机增稳等功能。经测试具有灵活轻盈、延展性、适应性强等特点。

2.1 姿态算法

基于互补滤波的四元素算法[2]，利用加速度测得的重力向量与估计姿态得到重力向量的误差来矫正陀螺仪积分误差，从而利用矫正后的陀螺仪积分得到姿态角等，姿态解算已经在多个研究中进行了详细的论证，提出了多种解算算法，故不做详细介绍。

2.2 四轴飞行器高度自适应神经网络PID算法

四轴飞行器的飞行高度控制就如姿态解算一样重要，如天气因素对行器的飞行高度控制系统的影响是一项具有挑战性的技术难点，提供一种合适的方法使机器人在面对不同的环境下，更加稳定和高效的飞行。

尝试使用一种自适应的方法来控制机器人的高度，可以让机器人在不同的状况下做出适当的操作。控制系统的激励已经在MATLAB仿真中完成，飞行器等价为一个质点，因此牛顿-欧拉公式可以在动力学中直接被使用。四转轴机器人的建模中，四转轴机器人的动力学方程使用牛顿-欧拉方法，总的方程如下：

m为机器人质量；VB线性速度；V为角速度；R为旋转矩阵；G为重力加速度；TB为引擎力总和。

自适应PID控制器控制飞行器的高度，类似于多认知对象神经网络结构中的的神经元构架。每一个控制器得到的是一个用于相乘的比率（W1、W2、W3），而控制器的输出被限制在sigmund函数里，而等式（2）中给出了具体的控制器构架。

在更新（W1、W2、W3）时，算法会将基于预定轨迹之间相差错误值来控制系统的值的最小化值。公式（3）会给出这个系统公式。它采用梯度值由递归方程也就是最陡下降算法（SD）和方程（4）和（5）示出其细节实时更新控制器在每个时间的步长系数。通过使用在线学习算法，一些高错误值（外力干扰）输入而造成系统不稳定，虽然输出值Y是一个在[0，1]区间的值，在一些特定的环境下，改变控制器的输出，可以将其改为几个特定的值。