PRACE INSTYTUTU LOTNICTWA

Transkrypt

1 ISSN PRACE INSTYTUTU LOTNICTWA Nr 216/2011 BEZZAŁOGOWE APARATY LATAJĄCE redaktor wydania prof. Zdzisław Gosiewski Wydanie publikacji jest dofinansowane przez Ministerstwo Nauki i Szkolnictwa Wyższego

2 Kolegium Redakcyjne Instytutu Lotnictwa: Maciej Bossak, Zdobysław Goraj, Marian Jeż, Agata Urbanowska (Sekretarz kolegium), Antoni Niepokólczycki, Wojciech Potkański, Kazimierz Szumański (Przewodniczący kolegium), Piotr Wolański, Zbigniew Wołejsza TRANSACTIONS OF THE INSTITUTE OF AVIATION No. 216/2011 UNMANNED AERIAL VEHICLES Zdzisław Gosiewski, editor Wydawnictwa Naukowe Instytutu Lotnictwa Al. Krakowska 110/114, Warszawa, Polska tel.: (4822) wew. 442, faks: (4822) Edycja, redakcja, skład komputerowy: mgr Agata Urbanowska Druk: ALKOR, ul. Krucza 4, Sulejówek, Polska

3 SPIS TREśCI L. AMBROZIAk, J. CIEśLUk, Z. GOSIEWSkI: MEtODA ROZPOZNAWANIA PRZESZKóD PRZEZ bezzałogowy StAtEK POWIEtRZNy Z WyKORZyStANIEM jednej KAMERy... 5 L. AMBROZIAk, Z. GOSIEWSkI, M. kondratiuk: IDENtyfIKAcjA charakterystyk AERODyNAMIcZNych MIKROSAMOLOtU R. CHACHURSkI: DOśWIADcZENIA EKSPLOAtAcjI ZESPOłóW NAPęDOWych bezzałogowych StAtKóW POWIEtRZNych O MASIE POWyżEj 50KG R. CHACHURSkI, M. CHOSZCZEWSkI: ObcIążENIA będące WyNIKIEM PRAcy ZESPOłU NAPęDOWEGO bezzałogowego StAtKU POWIEtRZNEGO KLASy MINI Z. GOSIEWSkI, P. kłoskowski, M. kondratiuk: ZAłOżENIA KONStRUKcyjNE PłASKIEGO IMPULSOWEGO NAPęDU LINIOWEGO Z. GOSIEWSkI, D. OŁDZIEJ, M. SŁOWIk: StANOWISKO DO badań INERcyjNych jednostek POMIAROWych WyKONANych W technologii MEMS A. MOLDENHAWER, W. PERkOWSkI: PNEUMAtycZNA WyRZUtNIA StARtOWA bezpilotowych SAMOLOtóW A. MYSTkOWSkI: badania UKłADU StEROWANIA ODPORNEGO bezzałogowym APARAtEM LAtAjącyM A. MYSTkOWSkI, P. OSTAPkOWICZ: WERyfIKAcjA MODELU DyNAMIcZNEGO MIKRO-SAMOLOtU Z WIbRUjącyMI GENERAtORAMI WIRóW DO StEROWANIA PRZEPłyWEM P. OSTAPkOWICZ: KONcEPcjE ROZWIąZAń WIbRAcyjNych URZąDZEń MANEWROWych DO StEROWANIA LOtEM bezzałogowych MODELI LAtAjących typu MAV P. OSTAPkOWICZ: ANALIZA KONcEPcjI StEROWANIA LOtEM bezzałogowych MODELI LAtAjących typu MAV Z WyKORZyStANIEM URZąDZEń MANEWROWych UMIESZcZONych NA KRAWęDZI NAtARcIA SKRZyDłA W. WALENDZIUk: MODUł ObRAZOWANIA ORAZ MONItOROWANIA PARAMEtRóW LOtU bezpilotowego APARAtU LAtAjącEGO

4

5 PRACE instytutu LOTNiCTWA ISSN , s. 5-16, Warszawa 2011 METOdA ROzPOzNAWANiA PRzESzkód PRzEz bezzałogowy STATEk POWiETRzNY z WYkORzYSTANiEM jednej kamery LeSzek AmbrozIAk*, JAkub CIeśLuk*, zdzisław GoSIeWSkI** Politechnika Białostocka*, Instytut Lotnictwa** Streszczenie W artykule poruszony został problem omijania przeszkód i unikania kolizji przez bezzałogowy statek powietrzny z wykorzystaniem informacji zawartych w obrazie pobranym z jednej kamery. Zaprezentowany algorytm lokalizowania przeszkód wykorzystuje jedną z metod przepływu optycznego gradientową metodę Lukas Kanade (LK), polegającą na analizowaniu podobieństw pomiędzy kolejnymi ramkami przetwarzanego obrazu. Wizyjny algorytm rozpoznawania przeszkód został zaimplementowany na systemie czasu rzeczywistego uclinux. Jego działanie zostało zweryfikowane na drodze symulacji komputerowej hardware-in-the-loop z modelem latającego skrzydła. WproWAdzeNIe Lokalizowanie i rozpoznawanie przeszkód jest ważną częścią aplikacji urządzeń mobilnych, mających za zadanie działać autonomicznie w określonych warunkach swojej pracy. do tej pory opracowanych zostało wiele metod pozwalających na wydobycie informacji o przeszkodzie, wykorzystując obraz pobrany z jednej kamery [7,8,9]. Są to metody oparte na segmentacji obrazu, wydobyciu głębi obrazu oraz grupa metod przepływu optycznego [2,3]. metody bazujące na segmentacji obrazu wykorzystują barwę do opisu części obszaru niestanowiącego zagrożenia (np. barwę jezdni bądź nieba) i charakteryzują się dużą wydajnością obliczeniową, jednak małą dokładnością działania. bardziej uniwersalne są metody służące do wydobycia głębi obrazu, które pozwalają na stworzenie mapy 3d badanego obszaru, dzięki czemu znane są informacje o odległości od widzianych przeszkód. metody te wymagają jednak teksturowania środowiska, co pociąga za sobą konieczność tworzenia dobrej jakości zdjęć o jednolitym oświetleniu i wysokiej rozdzielczości. może stanowić to duży problem, jeśli chcemy wykorzystać omawiane metody do sterowania urządzeniami mobilnymi. ostatnią przedstawioną grupą, najbardziej uniwersalną ze względu na obszar działania, są metody przepływu optycznego [1]. polegają one na porównywaniu kolejno pobranych ramek (klatek) obrazu i lokalizowaniu podobieństw między nimi. metoda ta pozwala dość precyzyjne określić odległości sterowanego obiektu od zlokalizowanej przeszkody. Ich wadą jest dość duża złożoność obliczeniowa algorytmu, którą da się jednak w pewnym stopniu zniwelować, stosując ograniczenie obszarów opisujących zagrożenie.

6 6 LeSzek AmbrozIAk, JAkub CIeśLuk, zdzisław GoSIeWSkI W niniejszym opracowaniu wybór metody został podyktowany głównie chęcią zastosowania jej do sterowania bezzałogowym aparatem latającym (uav). W tym przypadku jedynym rozsądnym wyjściem była metoda przepływu optycznego, która pozwala zarówno zlokalizować przeszkodę jak i ocenić odległość. dodatkowym atutem była możliwość pracy na obrazie o niewielkiej rozdzielczości i monitorowanie przeszkód w rzeczywistym czasie lotu jednostki uav. 1. metoda LuCAS kanade metoda optical Flow (pola przepływu optycznego) generuje wektor przepływu, który powstaje podczas tworzenia sekwencji obrazu. Aby otrzymać badaną strukturę otoczenia w przestrzeni 3d (wydobycie głębi obrazu) została wykorzystana metoda przepływu optycznego oparta na gradientowej metodzie Lucas-kanade [1]. pozwala ona na wygenerowanie rzadkiego pola przepływu pewnych lokalnych informacji pochodzących z określonego sąsiedztwa, które otacza interesujące nas punkty. W metodzie Lk zakłada się, że jasność punktu (x,y) obrazu jest stała w czasie, więc: Ixyt (,, ) = Ix ( + xy, + yt, + t) (1) gdzie: δx, δy opisują pewne przesunięcia między ramkami obrazu w określonym przedziale czasu. równanie różniczkowe dla (1) można zapisać w postaci: gdzie: są składowymi wektora prędkości. I x dx dt + I y x = u t, dy dt + I t = 0 y t = v drugie założenie metody Lk mówi, że ruch jest mały w następujących po sobie klatkach. po rozwinięciu prawej strony równania (1) otrzymamy: (2) (3) Ixyt (,, ) = Ixyt (,, ) + ( I) T ( x, y) + ti+ O t 2 (4) T gdzie I = ( Ix, Iy) ;I t - pochodne pierwszego rzędu, O 2 - pochodne wyższych rzędów które można zaniedbać. po odjęciu od obu stron równania I(x, y, t), pominięciu wyrazu O 2 i podzieleniu przez δt otrzymamy: r ( I) T v+ It = 0 (5) r gdzie: I = I x t I y t T ( jest przestrzennym gradientem funkcji intensywności, a v u v T x(, ), y(, )) = (, ) jest wektorem przepływu optycznego. równanie (5) jest równaniem ograniczenia przepływu optycznego i definiuje pojedyncze, lokalne ograniczenie na wektor prędkości optycznej [6]. do wyznaczenia wektorów przepływu optycznego użyto iteracyjnej piramidalnej wersji algorytmu Lucas-kanade.

7 metoda rozpoznawania przeszkód przez bezzałogowy StAtek... 7 rys. 1. przemieszczenie pomiędzy dwiema krzywymi r r mając dane funkcje F( x) i Gx ( ), które opisują wartość pikseli w poszczególnych lokacjach r r obrazu x (punkt (x,y)), można wyznaczyć wektor przesunięcia h danego regionu zainteresowania. W tym przypadku należy znaleźć różnicę h pomiędzy dwiema krzywymi F(x) i G(x) = F(x-h) jak pokazano na rys. 1. dla małego h można zapisać: Fx ( + h) Fx ( ) Gx ( ) Fx ( ) F ( x) = h h gdzie: Gx ( ) Fx ( ) h F ( x) dodatkowo, aby znaleźć najmniejszą różnicę pomiędzy krzywymi F(x) i G(x) wyznaczamy: E = ( F( x+ h) F( x)) 2 = 0 x (6) (7) (8) Wyliczając pochodną oraz rozwijając równanie (8) względem h otrzymamy: 0 = E h h x [ Fx ( ) + hf ( x) Gx ( )] 2 (9) po zróżniczkowaniu otrzymamy: 2F ( x)[ F( x) + hf ( x) G( x)] 0 x (10) ostatecznie przybliżenie przemieszczenia h wynosi : h F x ( x)[ G( x) F( x)] F ( x) 2 x (11) Wartość h, dla gradientu znajdującego się na dwóch kolejnych ramkach obrazu, jest wektorem przepływu optycznego tego obszaru. ponieważ przesunięcie h przyjmuje niewielkie wartości, metoda Lk jest metodą lokalną stosowaną do generowania rzadkiego pola. Wadą tego typu rozwiązania jest możliwość zgubienia większego ruchu, który może wychodzić poza obszar poszukiwania, czyli nie może być lokalizowany przez algorytm. problem ten został zniwelowany, dzięki zastosowaniu rozwinięcia algorytmu Lk w piramidy. polega ono na badaniu obrazu

8 8 LeSzek AmbrozIAk, JAkub CIeśLuk, zdzisław GoSIeWSkI z różną rozdzielczością, zaczynając od najwyższego poziomu piramidy (o najniższej liczbie detali), schodząc do poziomu o największej liczbie detali, czyli dla najwyższej rozdzielczości obrazu, co przedstawia rys LokALIzACJA WektorÓW rys. 2. Schemat dekompozycji hierarchicznej do analizy obrazu działanie algorytmu rozpoczyna się według założonej dekompozycji piramidalnej Gaussa, od badania obrazu o najniższej rozdzielczości. przyjętych zostało Lm = 4 poziomów piramidy o rozmiarach L 0 = 320x240, L 1 = 160x120, L 2 = 80x60, L 3 = 40x30 pikseli. dla każdego z obrazów r wykonywane są operacje mające na celu zlokalizowanie wektorów przepływu optycznego v. W tym celu należy skorzystać ze wzoru (5) uwzględniając warunek na jak najmniejszy moduł wektora (8). przyjmujemy, że I jest wyliczane z drugiego obrazu F(x). gdzie: = T F x F F I (12) F y x y gdzie po podstawieniu do (4) mamy: 2 F F F IxF x x y r ( ) x v 2 0 (13) x FF F IxF ( ) = x y y y oznaczamy: F F F r IxF x b = ( ) x x y G = 2, 2 FF F x IxF x y, ( ) x y y zatem optymalny wektor przepływu optycznego wynosi: r r v= G 1 b (14) macierz G wyznaczamy tylko raz dla danego poziomu piramidy, ponieważ wersja piramidalna algorytmu zakłada, że przesunięcia pomiędzy dwoma obrazami są bardzo małe. Aby zwiększyć dokładność wyznaczania przemieszczenia h ze wzoru (9) potrzebna jest estymacja szerszej liczby wyników. przeprowadzana w związku z tym jest większa liczba iteracji. h = wxf x h Gx Fx h h + x ( ) ( + k)[ ( ) ( + k)] k+ 1 k wxf ( ) ( x+ h) 2 x k (15)

9 metoda rozpoznawania przeszkód przez bezzałogowy StAtek... r W pętli iteracyjnej obliczana jest wartość wektora b, aż do momentu uzyskania wyniku o ustalonej dokładności lub przekroczenia liczby przewidzianych powtórzeń. ten krok algorytmu jest najbardziej złożony obliczeniowo, mimo że wprowadzono pewną optymalizację. polega ona na sumowaniu wartości najpierw w kolumnach a następnie po wierszach. otrzymany w tym przypadku dodatkowy błąd jest niewielki ze względu na dużą lokalność obliczeń. Algorytm działania omówionej aplikacji przedstawiony został na rys rys. 3. Schemat działania metody Lk efekt działania algorytmu przedstawiony został dla obrazu zapisanego w czasie lotu jednostki uav w formacie avi o rozdzielczości 320x240 pikseli. Na rys. 4 przedstawione zostały dwie wybrane ramki obrazu oraz na rys. 5 efekt działania algorytmu Lucas-kanade. obszary opisujące ruch na obrazie zostały oznaczone kolorem niebieskim. rys. 4. dwie przykładowe ramki obrazu

10 10 LeSzek AmbrozIAk, JAkub CIeśLuk, zdzisław GoSIeWSkI rys. 5. efekt działania algorytmu Lk przedstawiający różnice pomiędzy obrazami z rys opis przeszkody dokladności z jakimi wykreślane są wektory przepływu optycznego zależą przede wszystkim od kierunku lotu lub wykonywanych manewrów uav. W przypadku lotu w linii prostej, wektory układają się jak na rys. 6. zlokalizowanie przeszkody możliwe jest, dzięki rozpoznaniu wektorów tworzących lustrzane odbicie względem osi symetrii środka obrazu. to podejście sprawdza się jedynie i wyłącznie w idealnych modelach przeszkód. W rzeczywistości należy przeprowadzić estymację wyników współrzędnych zlokalizowanych wektorów w poszczególnych częściach obrazu. W przypadku manewrów uav (rys. 7) kierunek wektorów opisujących przeszkody przedstawiony jest zgodnie z wykonywanym ruchem kamery. dla części obrazu, w kierunku której odbywa się manewr, np. prawo (rys. 7a) wektory skierowane są wzdłuż poziomej osi środka obrazu. podobna sytuacja zachodzi, gdy skręcamy w inną stronę wektory skierowane są w kierunku odpowiedniej osi przechodzącej przez centrum obrazu. rys. 6. uav porusza się ruchem liniowym nie zmieniając trajektorii znając zachowanie parametrów wektorów przepływu optycznego, dla poszczególnych przypadków lokalizacji przeszkód na obrazie, można ustalić z pewną dokładnością ich obecność. Sprawą najbardziej istotną jest to, czy dana przeszkoda stanowi zagrożenie dla lecącej jednostki uav. problem ten rozwiązany został w trzech etapach. A. Lokalizacja przeszkód będących zagrożeniem poprzez wyodrębnienie obszarów zawierających istotne wektory przepływu optycznego pierwszy etap rozwiązany został w bardzo prosty sposób, który polega na wyodrębnieniu wektorów skierowanych jedynie do określonego, w pewnym przedziale, centrum obrazu. Wykorzystane zostały współrzędne wektorów (opisujące prostą przechodzącą przez dwa punkty) oraz współrzędne prostej poziomej, przechodzącej przez środek obrazu. mając te dane wyznaczony został punkt wspólny obu prostych. Następnie wybrane zostały tylko te punkty, które

11 metoda rozpoznawania przeszkód przez bezzałogowy StAtek znajdują się w przedziale oddalonym o 20 pikseli od centrum obrazu. pozwoliło to na wyodrębnienie wektorów przypisanych tym punktom. rys. 7. zachowanie się uav w czasie manewrów rys. 8. Wykreślone wektory przepływu optycznego ograniczenie liczby wektorów branych pod uwagę w działaniu algorytmu, znacznie przyspieszyło jego pracę. przykładowo wyodrębnione wektory (z wyników otrzymanych na rys. 8) dla określonych klatek obrazu przedstawione zostały na rys. 9. rys. 9. Lokalizacja wektorów opisujących przeszkodę

12 12 LeSzek AmbrozIAk, JAkub CIeśLuk, zdzisław GoSIeWSkI B. Wnioskowanie odległości od przeszkody, dzięki parametrom długości wektora. kolejnym etapem jest wnioskowanie odległości przeszkody od jednostki uav. W tym celu ponownie wykorzystano współrzędne wektorów przepływu optycznego, co pozwoliło na obliczenie ich modułu. Aby zwiększyć szybkość działania aplikacji należy ograniczyć tablicowanie danych. W tym celu płynnie porównywane są wyniki ze średnią wartością modułów lokalizowanych wektorów. Wartość średnia wyliczana jest na podstawie 20 pierwszych wektorów, a następnie uwzględnia moduły kolejnych. kalkulacja odległości sprowadza się do określenia grupy, w której znajdują się dane wektory widziane na obrazie. Na rys. 10 przedstawione zostało działanie algorytmu. różnymi odcieniami zieleni oznaczono obszary o podobnych parametrach, dzięki czemu możliwe staje się wydobycie głębi obrazu (przestrzeni 3d). barwa jasna opisuje obiekty znajdujące się bliżej kamery. Im ciemniejszy kolor, tym przeszkody są bardziej oddalone od lecącego uav. rys. 10. Wnioskowanie odległości przy pomocy metody optical Flow można najdokładniej odwzorować odległość w przypadku uav poruszającego się ruchem liniowym, niewykonującym manewrów. dodatkowo mając parametry odnośnie prędkości poruszania się uav jest możliwość wyznaczenia zależność między prędkością, a długością wektora przepływu. zależy ona od rozdzielczości obrazu. Im większa rozdzielczość, tym dokładność pomiaru się zwiększa. Wykożystanie jednak dodatkowej zależności jaką jest prędkość poruszania się samolotu jest bardzo kłopotliwe w implementacji. to właśnie z tego powodu moduły wektorów porównywane są bezpośrednio ze średnią wartością wszystkich wektorów. pozwala to na traktowanie wektora jako jednego z elementów złożonego obrazu, a nie pojedyńczego obiektu. C. Decyzja o istnieniu zagrożenia. ostatnim etapem jest podjęcie decyzji o tym czy istnieje zagrożenie kolizji uav z przeszkodą. Jest to zagadnienie, które łączy dwa wcześniej omówione etapy. W zależności od charakteru lotu uav implementowany jest odpowiedni ciąg programu. W momencie, gdy generowany jest nowy punkt poza dotychczasową trajektorią lotu uav (wykonywany odpowiedni manewr), uruchamiana jest procedura lokalizacji wektorów zbiegających do określonego w pewnym przedziale centrum obrazu. Natomiast, gdy uav nie zmienia swojej trajektorii wykorzystany został algorytm wnioskowania odległości i tworzenia mapy przestrzennej obrazu. Jeśli obszar będący centrum obrazu będzie posiadał wektory o dużym module, to stanie się informacją o bliskiej obecności przeszkody. przykład lokalizacji przeszkody przedstawiony został na rys. 11. zlokalizowane wektory przepływu optycznego ze względu na dużą wartość swego modułu przedstawiają obiekt znajdujący się w niebezpiecznej odległości od uav.

13 metoda rozpoznawania przeszkód przez bezzałogowy StAtek rys. 11. Lokalizacja przeszkody obszar wolny od przeszkód wyznaczany jest na podstawie histogramu opisującego poszczególne moduły wektorów znajdujących się w danych kolumnach i wierszach obrazu. odpowiednie progowanie badanego histogramu pozwala na zlokalizowanie grup wektorów o podobnych cechach (rys ). mając te informacje możliwe staje się określenie bezkolizyjnej trajektorii lotu jednostki uav. rys. 12. testowane wektory rys. 13. ocena odległości od przeszkody podjęcie decyzji o zmianie kierunku lotu wykonywane jest z pewnym opóźnieniem. W celu zniwelowania błędów badanych jest pięć kolejnych ramek obrazu, z których cztery mają wskazywać na obecność przeszkody przed lecącym uav. Gdy dany warunek jest spełniony wysyłany jest sygnał do autopilota samolotu informujący o konieczności wykonania określonego manewru.

14 14 LeSzek AmbrozIAk, JAkub CIeśLuk, zdzisław GoSIeWSkI 4. rozwiązanie SprzĘtoWe prezentowany algorytm jest implementowany na urządzeniu wyposażonym w mikroprocesor blackfin AdSp-bF537. Aplikacja działa pod kontrolą systemu uclinux wspierającym architekturę wybranego mikrokontrolera. Na urządzeniu zainstalowany został sterownik pamięci masowej Flash, sterownik obsługi plików JFFS2, sterownik interfejsu sieciowego ethernet, serwer SSH oraz badany algorytm wizyjny. działanie aplikacji na urządzeniu oraz podgląd i modyfikację niektórych parametrów w trybie działania programu można wykonać poprzez utworzony webserver urządzenia. rys. 14. Hardware diagram do komunikacji wizyjnego komputera pokładowego z autopilotem wykorzystane zostało złącze szeregowe rs232. Wypracowane na procesorze blackfin sygnały decyzyjne trafiają w postaci odpowiednich ramek danych do autopilota, w celu przetworzenia ich na sygnały sterujące serwami i ruchem samolotu w określonym kierunku. diagram przedstawiający hardware przedstawiony został na rys WYNIkI SYmuLACYJNe Sprawdzony został czas wykonywania obliczeń dla każdej ramki obrazu (rys. 15). pod uwagę brana była rozdzielczość oraz ilość lokalizowanych pikseli. Aby nie obciążać procesora dane odczytywane były z portu rs232, bez użycia webserwera urządzenia. rys. 15. Czas obliczeń dla danej liczby lokalizowanych pikseli Największy wpływ na szybkość działania aplikacji ma rozdzielczość obrazu, która znacznie spowalnia obliczenia. rozdzielczość, z jakiej korzystano, to 320x240 pikseli, gdzie wystarczająca

15 metoda rozpoznawania przeszkód przez bezzałogowy StAtek ilość lokalizowanych wektorów wynosi 300. Jak widać na wykresie czas wykonywania obliczeń dla jednej ramki obrazu wynosi około 60ms. taki wynik pozwala na częstotliwość odświeżania obrazu rzędu 15 ramek/sek. przy uwzględnieniu, że algorytm podejmuje decyzję o zmianie kierunku lotu na podstawie pięciu kolejnych ramek obrazu, to czas opóźnienia wynosi ok. 0.3s. badane przez nas obiekty poruszają się z prędkością w granicach 17m/s. podsumowując, aby przeszkoda została ominięta musi zostać zlokalizowana w odległości większej niż osiem metrów od lecącego samolotu. przeprowadzone zostały badania symulacyjne przy użyciu oprogramowania Virtualkokpit udostępnionego przez producenta autopilota kestrel. ustalono trajektorię lotu samolotu jako okrąg o zadanym promieniu. Symulacja przeszkody polegała na załączaniu algorytmu wizyjnego w ustalonym momencie lotu jednostki uav. korzystano z zapisanych w pamięci flash urządzenia, kilkunastu klatek obrazu opisujących zbliżającą się przeszkodę. przeprowadzone doświadczenie uwidacznia głównie prawidłowe działanie komunikacji między wykorzystywanymi urządzeniami. Wyniki wygenerowanej trajektorii lotu przedstawione zostały na rys. 16. WNIoSkI rys. 16. Symulacja trajektorii lotu W artykule przedstawiony został algorytm rozpoznawania przeszkód wykorzystujący obraz pobrany z jednej kamery. Aplikacja zaimplementowana została na specjalnie zaprojektowanej platformie sprzętowej, której wymiary pozwalają na umieszczenie jej na uav. uwzględniono także moc obliczeniową zastosowanego urządzenia. musi ono pozwalać na zastosowanie piramidalnej reprezentacji metody Lucas kanade. Algorytm wymaga określonej ilości pamięci operacyjnej na zapis dwóch porównywanych ramek obrazu oraz jak największej mocy obliczeniowej mikroprocesora. Napisana aplikacja spisuje się dobrze, gdy mamy do czynienia z pojedynczą przeszkodą bądź lotem w kanionie ulic. problemy mogą pojawić się w przypadku licznych przeszkód o bardzo jednolitych teksturach np. wysokie budynki o jednolitej barwie. Wymogiem prawidłowego działania jest także zachowanie odpowiednich warunków atmosferycznych (opady, oświetlenie). kolejną wadą tym razem wykorzystanej metody Lk jest brak możliwości użycia stabilizacji cyfrowej. omówione problemy można w pewnym stopniu rozwiązać dzięki zastosowaniu bardziej zaawansowanej optyki.

16 16 LeSzek AmbrozIAk, JAkub CIeśLuk, zdzisław GoSIeWSkI pracę wykonano w ramach realizacji projektu rozwojowego nr or "SIeCIoCeNtrYCzNY SYStem WSpArCIA rozpoznania I dowodzenia SYtuACJAmI kryzysowymi NA terenach zurbanizowanych z AutoNomICzNYmI bezzałogowymi ApArAtAmI LAtAJĄCYmI" finansowanego ze środków ministerstwa Nauki i Szkolnictwa Wyższego. bibliografia [1] b. d. Lucas and t. kanade. An iterative image- registration technique with an application to stereo vision. proceedings of the 1981 darpa Imaging understanding Workshop, pp , [2] G. bradski and A. kaehler. Learning opencv. o reilly media, Inc., [3] I. ulrich and I. r. Nourbakhsh, Appearance-based obstacle detection with monocular color vision, in AAAI/IAAI, 2000 [4] p. C. merrell, d.-j. Lee, and r. W. beard, obstacle avoidance for unmanned air vehicles using optical low probability distributions, mobile robots XVII, Vol. 5609, No. 1, pp , [5] W. S. p. Fernando, L. udawatta, p. puthirana, Identi ication of moving obstacles with pyramidal Lucas kanade optical Flow and k means Clustering, 2007 [6] S.S. beauchemin and J.L. barron. the computation of optical low. ACm Computing Surveys, 27(3): , [7] A. Giachetti, m. Campani, and V. torre, the use of optical Flow for road Navigation, Ieee transactions. on robotics and Automation,, vol. 14, Issue.1, pp , February 1998 [8] d. Lieb, A. Lookingbill, and S. thrun, Adaptive road Following using Self-Supervised Learning and reverse optical Flow, Stanford Arti icial Intelligence Laboratory, Stanford university, [9] b. k. p. Horn, b. G. Schunck, determining optical Flow, Arti icial Intelligence Laboratory, mit, Cambridge, ma, pp , 1981 LeSzek AmbrozIAk, JAkub CIeśLuk, zdzisław GoSIeWSkI ObSTACLE identyfying by UNMANNEd AERiAL VEHiCLE WiTH USiNg ONE CAMERA Abstract A problem of obstacles and collisions avoiding by unmanned aerial vehicles (UAVs), using the information provided from an image taken from one camera is presented in the paper. The optical flow method based on gradient method of Lukas-Kanade was used to obtain the tested structure in 3D space environment (extraction of image s depth). This method allow to generate local information flow patterns from particular neighborhood of surrounding points. Presented algorithm for obstacle location and estimation of its shape was developed and implemented on the workstation with real time uclinux system. Proposed vision based obstacle avoidance algorithm are demonstrated in simulation and in hardware in the loop flight tests on a fixed-wing UAV.

17 PRACE instytutu LOTNiCTWA ISSN , s , Warszawa 2011 identyfikacja CHARAKTERYSTYK AERODYNAMiCZNYCH MiKROSAMOLOTU LeSzek AmbrozIAk*, zdzisław GoSIeWSkI**, mirosław kondratiuk* Politechnika Białostocka*, Instytut Lotnictwa** Streszczenie W artykule zaprezentowano proces obliczeniowy charakterystyk aerodynamicznych bezzałogowego aparatu latającego. Jako obiekt badań wybrany został mikro-samolot typu delta w układzie latającego skrzydła o symetrycznym profilu płata. Do identyfikacji współczynników aerodynamicznych modelu oraz analizy opływu samolotu zostały zastosowane programy komputerowe XFLR5 oraz COMSOL Multiphysics wykorzystujące odpowiednio metodę panelową oraz metodę elementów skończonych. W pracy zawarto matematyczny model opływu ciała, podstawy teoretyczne użytych metod obliczeniowych, pokazano wyniki przeprowadzonych analiz oraz dokonano ich porównania. W rezultacie oceniono możliwość zastosowania metod panelowych do obliczeń pochodnych stateczności mikro-samolotu. WProWAdzeNIe Proces modelowania dynamiki ruchu statku powietrznego jest pierwszym i najważniejszym etapem projektowania układu sterowania mikro-samolotem. zasadniczym źródłem trudności na tym etapie jest precyzyjny opis sił i momentów aerodynamicznych, które występują w równaniach ruchu obiektu i w jego modelu matematycznym. dynamika ruchu bezzałogowego statku powietrznego oraz aerodynamika wpływają na siebie znacząco w każdej fazie jego lotu. Stąd też opis matematyczny tych procesów jest zagadnieniem trudnym do zrealizowania. Identyfikacja parametrów statku powietrznego i wyprowadzenie dokładnego modelu matematycznego badanego obiektu pozwoli na dokładne zaprojektowanie układu sterowania, integrację autopilota oraz określenie i przeanalizowanie zachowania się modelu w trakcie lotu. model matematyczny jest więc niezbędny do oceny własności obiektu sterowania. Pochodne aerodynamiczne statku powietrznego, wchodzące w skład modelu matematycznego, są funkcjami fizycznych własności powietrza otaczającego samolot a także jego geometrycznych charakterystyk i kinematycznych parametrów lotu. do wyznaczenia wspomnianych parametrów aerodynamicznych często stosowane są metody komputerowe [1, 11, 13]. W ostatnich latach nastąpił duży rozwój metod CFd (ang. Computational Fluid dynamics) opartych o równania Naviera Stokesa [3, 5]. obliczenia z wykorzystaniem tych metod dają dobre wyniki oraz dużą zgodność z wynikami eksperymentalnymi. Ich wykorzystanie jest jednak ograniczone ze względu na długi czas obliczeń oraz konieczność użycia sprzętu komputerowego

18 18 LeSzek AmbrozIAk, zdzisław GoSIeWSkI, mirosław kondratiuk o dużej mocy obliczeniowej. Alternatywą dla obliczeń z wykorzystaniem metod CFd są metody potencjalne (pomimo wielu uproszczeń jakie wprowadzają) [13]. Pozwalają one na dość dokładne wyznaczenie obciążeń aerodynamicznych samolotu przy znacznie niższych kosztach obliczeń w porównaniu z metodami CFd, dlatego też zdecydowano się na użycie i porównanie obu wspomnianych metod. W niniejszym artykule przedstawiony został proces identyfikacji parametrów aerodynamicznych mikro-samolotu typu delta w układzie latającego skrzydła. Współczynniki aerodynamiczne oraz pochodne aerodynamiczne zostały wyznaczone w drodze symulacji komputerowych z użyciem oprogramowania ComSoL multiphysics oraz XFLr5. do obliczeń zostały użyte metoda elementów skończonych oraz metoda panelowa (metoda siatki wirowej). dokonano porównania wyników otrzymanych z użyciem obu tych metod. tak wyznaczone parametry aerodynamiczne mikro-samolotu pozwolą na wyprowadzenie modelu matematycznego badanego obiektu stanowiącego podstawę w procesie projektowania układu sterowania. 1. CHArAkterYtSYkA badanego obiektu do badań przyjęty został mikro-samolot typu delta w układzie latającego skrzydła (rys. 1). rys. 1. mikro-samolot przyjęty do badań Latające skrzydło to układ konstrukcyjny samolotu lub motoszybowca bez wyodrębnionego kadłuba oraz ogona. Wyeliminowanie tych elementów teoretycznie powoduje maksymalne zmniejszenie oporu powietrzna. mikro-samolot o takiej konstrukcji jest dosyć szybki i zwrotny, dlatego dokładna analiza jego aerodynamiki będzie ważyła na efektywności projektowania praw sterowania i ich jakości. z tego powodu identyfikacja modelu takiego samolotu jest ważnym krokiem, poprzedzającym proces implementacji układów automatycznego sterowania lotem. Przeanalizowanie i wykrycie wszelkich osobliwości bezzałogowego statku powietrznego w układzie delta pozwoli na poprawne zaprojektowanie praw sterowania. Płat skrzydła badanego samolotu posiada symetryczny, dwuwypukły profil bell 540, będący modyfikacją profilu NACA 0012 (rys. 2). Wymiary i ważniejsze parametry konstrukcyjne badanego mikro-samolotu zostały zawarte w tabeli 1. rys. 2. Profil bell 540

19 IdeNtYFIkACjA CHArAkterYStYk AerodYNAmICzNYCH mikrosamolotu 19 tab. 1 W celu dokonania obliczeń z użyciem programów komputerowych został zbudowany model CAd mikro-samolotu (rys. 3) stanowiący dokładne odwzorowanie modelu rzeczywistego. 2. model matematyczny opływu CIAłA rys. 3. model CAd badanego mikro-samolotu opływ ciała może być modelowany za pomocą równań Naviera-Stokesa, które możemy zapisać w następującej formie [16]: gdzie: - ρ gęstość, [kg/m 3 ]; - u wektor prędkości, [m/s]; + ( u) t = 0 u + ( u ) u= [ pi+ ] + F t T T p p Cp( ( u ) T) ( q) : S p( ( u ) p) Q t + = + T t + + (1) (2) (3)

20 20 LeSzek AmbrozIAk, zdzisław GoSIeWSkI, mirosław kondratiuk - p ciśnienie, [Pa]; - τ tensor naprężeń lepkich, [Pa]; - F wektor siły, [N/m 3 ]; - C p ciepło właściwe przy stałym ciśnieniu, [j/(kg k)]; - t temperatura bezwzględna, [k]; - q wektor strumienia ciepła, [W/m 2 ]; - Q gęstość mocy objętościowych źródeł ciepła, [W/m 3 ]. S jest tensorem prędkości naprężeń, który może być definiowany zgonie z [16] jako: 1 S = u+ u T 2 ( ( ) ) operacja : jest zależnością pomiędzy tensorami, którą możemy przedstawić [15]: a: b= anmbnm równanie (1) jest równaniem ciągłości i prezentuje zachowanie masy. równanie (2) jest równaniem wektorowym i reprezentuje zachowanie pędu, natomiast równanie (3) opisuje nam zachowanie energii w zależności od temperatury. Aby zamknąć układ równań (1) (3) są potrzebne pewne konstytutywne związki. Po pierwsze zakładamy, że płyn jest newtonowski. zgodnie z założeniem Stokesa tensor naprężeń lepkich staje się [16]: 2 = 2 S ( u) I (6) 3 gdzie, μ- jest lepkością dynamiczną wyrażaną w [Pa s]. n m burzliwość (turbulentność) jest własnością pola przepływu i jest charakteryzowana przede wszystkim przez szeroki zakres skali przepływu. tendencja do izotermicznego przepływu turbulentnego mierzona jest liczbą reynoldsa wyrażoną jako [4, 16]: Re = UL (7) gdzie, - u i L są odpowiednio prędkością i wymiarem charakterystycznym zagadnienia. Przepływ z dużymi liczbami reynoldsa jest przepływem burzliwym. do modelowania i symulacji przepływu turbulentnego mogą zostać użyte równania Navier-Stokesa. dla płynu nieściśliwego i newtonowskiego może ono zostać zapisane: u T + ( u ) u= [ pi+ ( u+ ( u) )] + F (8) t u = 0 (9) Gdy przepływ staje się turbulentny wszystkie wartości zmieniają się w czasie i przestrzeni. Wyznaczenie tych zmian wymaga znacznych mocy obliczeniowych urządzeń. (4) (5)