Parameter calculation and analysis of autonomous reconnaissance for UAV-borne photoelectric payload
-
摘要:
自主侦察是无人机载光电载荷的一种自动化、智能化侦察模式,参数计算则是自主侦察应用的前提。首先介绍了无人机载光电载荷的自主侦察模式;然后对该模式无人机自动巡航飞行速度和飞行高度,光电载荷的传感器视场角、俯仰角、扫描角速度、扫描角度范围等参数进行了计算,并分析了各个参数的物理意义及相互关系,以及对目标识别率、侦察时间等自主侦察效果的影响;最后举例进行仿真计算和分析,并指出在实际应用中存在的问题,为该模式的实际应用提供了理论依据。
Abstract:Autonomous reconnaissance is an automatic and intelligent reconnaissance mode of UAV-borne photoelectric payload. Parameter calculation is the premise of autonomous reconnaissance application. The autonomous reconnaissance mode of UAV-borne photoelectric payload was first introduced, then the flight speed and altitude of autonomous UAV cruise, the sensor field angle of view, pitch angle, scan speed and scan angle of photoelectric payload were calculated, the physical meaning and relationship of each parameter were analyzed, and the influence of each parameter on target recognition rate and recon time was analyzed. Finally, simulation calculation and analysis were carried out with examples, and the existing problems in practical application were pointed out, which provided a theoretical basis for practical application of this mode.
-
Keywords:
- UAV /
- photoelectric payload /
- autonomous reconnaissance /
- target recognition
-
引言
干涉式光纤陀螺仪(interferometric fiber-optic gyroscopes,IFOG)是一种基于Sagnac效应的角速度传感器,具有全固态、抗冲击、成本低、体积小等优点,在航天、航空、航海、石油探井等领域得到了广泛的应用[1-2]。数字闭环IFOG根据反馈信号进行相位调制,消除由转速引起的相移,改善了IFOG的动态范围大和比例因子线性度,是目前中高精度IFOG的主流方案[3-4]。在数字闭环光纤陀螺中需要根据本征频率进行控制,不同光纤陀螺本征频率存在差异,通常采用锁相环等技术产生本征频率[5]。然而,系统时钟会存在随机波动,锁相环产生的频率也存在起伏,这将导致控制系统输出中存在纹波干扰,严重影响数字闭环光纤陀螺的精度。
王夏宵等根据Faraday效应对数字闭环IFOG的动态特性进行了测试,克服了角振动台测试的局限性[6-10]。王妍等提出了将正弦波信号叠加到反馈解调波中,实现在高带宽下IFOG动态性能的测试[11-15]。赵政鑫等通过在Y波导上叠加正弦电压来等效角振动,增大了IFOG的带宽测试范围[16]。以上研究主要在数字闭环IFOG的频率特性的测试上取得了很好的成果,但对数字闭环IFOG控制系统缺乏较为深入的研究。
为了提高数字闭环IFOG的可靠性和适应性,本文在四态方波调制解调原理的基础上,建立了数字闭环IFOG理论模型,分析了数字闭环IFOG的稳定工作条件和动态性能,指出了原有IFOG数字闭环光纤陀螺控制系统的不足,并提出了无纹波最小拍的优化控制方案。通过实验对比了优化前后数字闭环光纤陀螺的性能,结果表明,方案优化后陀螺的零偏稳定性等性能指标得到了明显提升。
1 理论模型
数字闭环IFOG结构如图1所示,主要包括光源、耦合器、相位调制器(Y波导)、光纤环、光电探测器、前置放大器、模/数转换器(ADC)、数字逻辑处理器、数/模转换器(DAC)和输出缓冲放大器。光源、耦合器、相位调制器和光纤环构成Sagnac干涉仪。当光纤环旋转时,环路中相向传播的两束光波产生的相位差$ {\phi _{\rm{s}}} $与旋转速率Ω成正比,比例系数为
$$ K_{{\rm{s}}} = \frac{{2\pi LD}}{{\lambda c}} $$ (1) 式中:L为光纤长度;D为光纤环直径;λ为光波长;c为真空中的光速。
在数字闭环IFOG中,光电探测器探测到的光强与相向行波相位差的函数关系为
$$ {I_{\rm{D}}} = \frac{1}{2}\eta {I_0}(1 + \cos {\phi _{\rm{s}}}) $$ (2) 式中:$ {I_0} $为光源光强;$ \eta $为光电探测器响应度。为了提高检测灵敏度,通常采用方波调制使IFOG工作在光强与相位差函数曲线的较大斜率处,并通过反馈阶梯波信号使数字闭环IFOG总相位差为零,形成数字闭环光纤陀螺一次闭环。另外,由于相位调制器的电光系数依赖于温度,因此,需要通过第二闭环来稳定相位调制器的增益。对于方波调制,只能在阶梯波复位时才能检测相位调制器增益误差信号。然而,阶梯波复位频率取决于转速,从而导致方波调制的第二闭环不稳定,为了避免这一问题,工程实际中通常采用四态方波调制来提高第二闭环回路的控制效率,其原理如图2所示。
图2中,四态方波调制序列为(−2π + φm, φm, 2π−φm, −φm),状态持续时间为τ/2,τ为光纤环渡越时间,φm为调制深度。在四态方波调制下,对应的转速解调序列为(−1, −1, +1, +1),如图2(a)所示;对应的调制器增益误差的解调序列为(+1, −1, +1, −1),如图2(b)所示。因此,在本征频率下,可以同时获得转速误差信号和调制器增益误差信号,提高了第二闭环的控制效率。
在四态方波调制的数字闭环IFOG中,Sagnac效应可以等效为比例环节,比例系数为Ks。闭环控制使光纤陀螺工作点稳定在光强相位曲线较大的斜率点上,因此,干涉效应可以等效为比例环节,比例系数$ {K_1} = \eta {I_0}\sin ({\phi _{\rm{s}}})/2 $。光电探测器、前置放大器、A/D转换器均可等效为比例环节,比例系数分别为K2、K3、K4;数字解调是在2τ的时间内对旋转误差进行采样,传递函数可以表示为K5z−1;采样误差经过控制器比例放大并累加,对应的传递函数为K6 /(1−z−1);控制器输出信号再经过累加形成阶梯波信号,其传递函数为K7 /(1− z −1);阶梯波信号经过D/A转换及缓冲器放大,相应的传递函数可以表示为K8;在相位调制器中阶梯波信号被延迟的时间为τ,并与原有信号相加,其传递函数为K7 /(1− z −1)。根据以上分析可得:四态方波调制下数字闭环IFOG的控制系统框图如图3所示。
令KF= K1 K2 K3 K4 K5 K6为前向增益,K= K7 K8为反馈增益,K= KF KB为开环增益。系统开环传递函数中包含1个z=1的极点,因此该控制系统为I型系统。根据自动控制理论,IFOG的闭环传递函数为
$$ \varPhi ({\textit{z}}) = \frac{{C({\textit{z}})}}{{R({\textit{z}})}} = \frac{{{K_{\rm{S}}}{K_{\rm{F}}}{\textit{z}}}}{{{{\textit{z}}^3} - {{\textit{z}}^2} + K}} $$ (3) 误差传递函数为
$$ {\varPhi _e}({\textit{z}}) = \frac{{E({\textit{z}})}}{{R({\textit{z}})}} = \frac{{{{\textit{z}}^3} - {{\textit{z}}^2}}}{{{{\textit{z}}^3} - {{\textit{z}}^2} + K}} $$ (4) 根据以上分析建立数字闭环IFOG控制系统的理论模型,下面将在该理论模型的基础上对控制系统性能进行分析,并提出数字闭环IFOG的优化控制方案。
2 性能分析与优化
2.1 控制系统性能分析
根据数字闭环IFOG的传递函数,可得其特征方程为
$$ {{\textit{z}}^3} - {{\textit{z}}^2} + K{{ = 0}} $$ (5) 令${\textit{z}}{\text{ = (}}w + 1{\text{)/(}}w - 1{\text{)}}$,可得:
$$ K{w^3} + (2 - 3K){w^2} + (4 + 3K)w + (2 - K){\text{ = 0}} $$ (6) 根据劳思稳定判据,满足系统稳定的不等式组为
$$ \left\{ \begin{gathered} K > 0 \\ 2 - 3K > 0 \\ \frac{{(2 - 3K)(4 + 3K) - K(2 - K)}}{{2 - 3K}} > 0 \\ 2 - K > 0 \\ \end{gathered} \right. $$ (7) 通过求解不等式组,可得数字闭环IFOG控制系统的稳定性条件为
$$ 0 < K < (\sqrt 5 - 1)/2 \approx 0.618 $$ (8) 由于控制系统为I型系统,在单位阶跃输入下,其位置误差为0。在单位斜坡输入下,根据终值定理,可知其稳态误差为
$$ {e_{ss}}(\infty ) = \mathop {\lim }\limits_{{\textit{z}} \to 1} (1 - {{\textit{z}}^{ - 1}}){\varPhi _e}({\textit{z}})R({\textit{z}}) = \mathop {\lim }\limits_{{\textit{z}} \to 1} \frac{{T{{\textit{z}}^2}}}{{{{\textit{z}}^3} - {{\textit{z}}^2} + K}} = \frac{T}{K} $$ (9) 式(9)表明,当数字闭环IFOG在角加速度输入下,其稳态误差不为零,该稳态误差与角加速度成正比,与开环增益成反比。当K = 0.05、0.15、0.30、0.45时,数字闭环IFOG的幅频相频特性如图4所示。
图4中,数字闭环IFOG频率带宽随开环增益K的增大而增大,当开环增益大于0.2时,在高频段,增益大于1。为了获得较大的带宽及稳定控制,0.2开环增益为最佳开环增益。
2.2 闭环控制系统优化
IFOG控制系统性能分析表明,其控制系统为I型系统,在角加速度输入下存在稳态误差。在积分器和阶梯波的设计中引入的采样器增大了系统超调量,并降低了系统的稳定性。为了提高数字闭环光纤陀螺的稳定性,在积分控制及阶梯波生成过程中,从缓存区前级输出,可以消除两个采样器。根据二阶无纹波最小拍系统控制设计方法,对原有IFOG控制器进行修正,消除在斜坡输入下的静态误差,获得优化后的数字闭环IFOG无纹波最小拍控制系统,如图5所示。
优化后的数字闭环IFOG控制系统传递函数为
$$ \varPhi '({\textit{z}}) = 2{{\textit{z}}^{ - 1}} - {{\textit{z}}^{ - 2}} $$ (10) 误差传递函数为
$$ {\varPhi '_e}({\textit{z}}) = {(1 - {{\textit{z}}^{ - 1}})^2} $$ (11) 由于该控制系统为II型系统,在单位阶跃及单位斜坡输入下,其误差均为0。
3 实验与结果分析
根据数字闭环IFOG无纹波最小拍控制系统框图,可得控制器输入输出关系为
$$ \begin{split} y(k) = &y(k - 1) + [y(k - 1) - y(k - 2)] + x(k - 1) +\\ &[x(k - 1) - x(k - 2)] \end{split} $$ (12) 式中:x(k)为k时刻的误差量;y(k)为k时刻的输出量。以上分析表明,可以在FPGA中通过寄存器将输出误差量和输出量分别延迟两个控制周期,用减法器获取误差量的变化和输出量的变化,并将其用于积分控制,从而在FPGA中实现无纹波最小拍系统控制。
本文根据GJB2426A-2004光纤陀螺仪测试方法,通过对比原有控制与无纹波最小拍控制在光纤陀螺零偏稳定性、角随机游走、标度因数非线性度等主要指标上的差异来评估无纹波最小拍控制方法的优劣。具体步骤如下,在常温下对70型光纤陀螺分别采用原有控制方法和无纹波最小拍控制方法,进行1 h的性能指标测试,实验过程中,光纤陀螺中光纤环长为800 m,光纤环平均直径为70 mm,光源为超辐射发光二极管,光波长为1 310 nm,ADC位宽为12 bit,DAC位宽为16 bit。测试结果如图6所示。
测试结果表明,无纹波最小拍控制下光纤陀螺输出噪声明显降低,说明原有控制系统由于控制纹波的影响导致了较大的输出噪声。为了进一步评估无纹波最小拍控制的性能,对测试结果进行Allan方差分析,结果如图7所示。
分析结果表明,无纹波最小拍控制下光纤陀螺性能得到了明显提升,表1给出了在不同温度下无纹波最小拍控制与原有控制方法在零偏稳定性、角随机游走、标度因数非线性度上的结果对比。
表 1 原有控制与无纹波最小拍控制性能对比Table 1. Comparison of performances between original control and ripple-free minimum beat controlTemperature / ℃ Original control Minimum beat control bias
stability /(°/h)Angular
random
walk /(°/h)1/2Scale factor
nonlinearity /10−6bias
stability /(°/h)Angular
random
walk /(°/h)1/2Scale factor
nonlinearity /10−6−40 0.1317 0.0162 55 0.0791 0.0097 33 25 0.1251 0.0154 53 0.0763 0.0094 24 60 0.1298 0.0160 46 0.0785 0.0097 28 从表1可以看出,相比于原有控制系统,无纹波最小拍控制系统增加了误差变化量和输出信号变化量的控制,因此能更好地跟踪载体角运动,减小跟踪误差。零偏稳定性提高约30%,角随机游走和标度因数非线性度均得到了提高。
4 结论
从理论上分析了四态方波调制下IFOG数字闭环的理论模型,指出原有控制系统为I型系统,在积分控制和阶梯波生成过程中产生的两级延迟降低了系统可靠性,并在角加速度输入下产生了与加速度大小成正比,与开环控制增益成反比的稳态误差。为了消除稳态误差的影响,设计了数字闭环光纤陀螺无纹波最小拍控制系统,从原理上消除了数字闭环IFOG由采用频率引起的纹波误差。实验测试结果表明,无纹波最小拍控制有效提高了数字闭环IFOG的性能。
-
表 1 自主侦察模式涉及的主要参数
Table 1 Main parameters involved in autonomous reconnaissance mode
序号 参数名称 含义 1 视场角${\theta _{\text{H}}} \times {\theta _{\text{V}}}$/(°) 光电载荷内的光电传感器的水平视场角和垂直视场角 2 像元尺寸$\eta \times \eta $/µm 光电载荷内的光电传感器的像元尺寸 3 分辨率${F_{\text{H}}} \times {F_{\text{V}}}$/pixel 光电载荷内的光电传感器的分辨率 4 扫描角速度${V_S}$/(°)/s 光电载荷自动扫描状态下在方位上的角速度 5 扫描角度范围${\beta _r}$/(°) 光电载荷自动扫描状态下在方位上的角度范围 6 俯仰角$\alpha $/(°) 光电载荷在自动扫描过程中,其光轴与水平面之间的夹角,向上为正,向下为负。 7 飞行速度${V_f}$/m/s 无人机在自动巡航时的飞行速度 8 飞行高度${H_f}$/m 无人机在自动巡航时距离地面的高度 9 目标尺寸${A_{\text{H}}} \times {A_{\text{V}}}$/m 侦察目标的实际尺寸 10 自动识别的最少目标像素数$m \times n$/pixel 自动识别模块可以识别的最少目标的像素数,由自动识别模块的识别能力决定 11 侦察区域大小$j \times k$/m 矩形侦察区域的长和宽 12 扫描纵深${L_{{\text{FOV}}}}$/m 扫描时传感器垂直视场在地面上覆盖的宽度 13 纵深时间$ {T_{{\text{FOV}}}} $/s 无人机飞过扫描纵深的时间 14 中心目标距离${D_{{\text{center}}}}$/m 光电载荷视场中心的目标与光电载荷之间的距离 15 视场上极限中心目标距离${D_{{\text{up}}}}$/m 光电载荷内的光电传感器视场上极限中心对应的目标和光电载荷之间的
距离16 目标距离阈值${D_{{\mathrm{th}}}}$/m 根据最少目标像素数的识别要求而计算的目标距离 17 最大目标距离${D_{\max }}$/m 视场内的所有目标和光电载荷的距离的最大值 18 投影距离${L_D}$/m 中心目标距离在地面上的投影距离 19 扫描单程时间$ {T_S} $/s 自动扫描时光电载荷的方位角从左极限转到右极限(或从右极限转到左极限)所需的时间 20 原始扫描宽度$ W $/m 初步计算的扫描宽度 21 重叠率$ p $ 两个扫描带重叠部分的尺寸与扫描带尺寸之间的比率 22 修正扫描宽度$ W' $/m 考虑重叠率之后的扫描宽度 23 航路路程$ Q $/m 无人机侦察完指定区域需要飞行的
路程24 侦察时间$ {T_R} $/s 无人机侦察完指定区域所需的时间 表 2 自主侦察仿真计算的3个方案
Table 2 Three schemes for simulation calculation of autonomous reconnaissance
序号 参数名称 方案1 方案2 方案3 1 飞行高度${H_f}$/m 300 300 600 2 飞行速度${V_f}$/m/s 35 35 35 3 视场角${\theta _{\text{H}}} \times {\theta _{\text{V}}}$/(°) 5.5×3.09 3×1.7 5. 5×3.09 4 俯仰角$\alpha $/(°) −9.59 −9.59 −19.4 5 扫描角度范围${\beta _r}$/(°) 14 7 7 6 扫描角速度${V_S}$/(°/s) 1.7 1.7 1.7 7 中心目标距离${D_{{\text{center}}}}$/m 1 800 1 800 1 800 8 目标距离阈值${D_{th}}$/m 2 300 4 216 2 300 9 最大目标距离${D_{\max }}$/m 2 144 1 973 1 950 10 纵深时间$ {T_{{\text{FOV}}}} $/s 17.1 9.1 8.4 11 扫描单程时间$ {T_S} $×2/s 16.4 8.2 8.2 12 修正扫描宽度$ W' $/m 393 197 197 13 侦察时间$ {T_R} $/s 1 857 3 714 3 714 -
[1] 杜薇, 陈飞. 侦察无人机协同运用的关键技术[J]. 电子信息对抗技术, 2018, 33(1): 12-17. doi: 10.3969/j.issn.1674-2230.2018.01.003 DU Wei, CHEN Fei. Key technologies of collaborative application with reconnaissance UAVs[J]. Electronic Information Warfare Technology, 2018, 33(1): 12-17. doi: 10.3969/j.issn.1674-2230.2018.01.003
[2] 张安, 曹璐, 郭凤娟. 无人作战飞机侦察/打击一体化自主控制关键技术探讨[J]. 电光与控制, 2010, 17(1): 1-6. doi: 10.3969/j.issn.1671-637X.2010.01.001 ZHANG An, CAO Lu, GUO Fengjuan. Survey of key technologies of autonomous control on integration of reconnaissance and attack for UCAVs[J]. Electronics Optics & Control, 2010, 17(1): 1-6. doi: 10.3969/j.issn.1671-637X.2010.01.001
[3] JAGANNATH J , JAGANNATH A , FURMAN S , et al. Deep learning and reinforcement learning for autonomous unmanned aerial systems: roadmap for theory to deployment[J/OL]. Engineering Computer Science,2020, 984:25-82[2023-03-16]. https://www.semanticscholar.org.
[4] 赵燕, 龙国庆. 侦察/打击一体化无人机自动目标识别研究[J]. 中国人民解放军电子工程学院学报, 2014, 33(2): 67-70. ZHAO Yan, LONG Guoqing. On the automatic target recognition for the reconnaissance/strike integration system of UAV[J]. Journal of PLA Electronic Engineering Institute, 2014, 33(2): 67-70.
[5] 张中伟, 付泱, 刘辉. 无人机自动目标识别算法研究综述[C]//第四届中国航空科学技术大会论文集. 北京: 中国航空学会, 2019. ZHANG Zhongwei, FU Yang, LIU Hui. Overview of UAV automatic target recognition algorithm[C]//Fourth China aviation science and technology conference. Beijing: Chinese Society of Aeronautics and Astronautics, 2019.
[6] 吕攀飞, 王曙光. 无人机作战平台的智能目标识别方法[J]. 激光与光电子学进展, 2019, 56(7): 116-122. LÜ Panfei, WANG Shuguang. Intelligent target recognition method of unmanned aerial vehicle combat platform[J].Laser & Optoelectronics Progress, 2019, 56(7): 116-122.
[7] 李伦平, 刘达. 机载光电侦察吊舱综合信息处理技术发展与分析[J]. 光学与光电技术, 2017, 15(6): 29-35. LI Lunping, LIU Da. Development and analysis of synthetic information process technology for airborne electro-optical reconnaissance pod[J], Optics & Optoelectronic Technology, 2017, 15(6): 29-35.
[8] POUYANFAR S , SADIQ S , YAN Y , et al. A survey on deep learning: algorithms, techniques, and applications[J]. Acm Computing Surveys, 2019, 51(5): 92-1-36.
[9] SRIVASTAVA S , NARAYAN S , MITTAL S . A survey of deep learning techniques for vehicle detection from UAV images[J]. Journal of Systems Architecture, 2021(1): 1-27. SRIVASTAVA S , NARAYAN S , MITTAL S . A survey of deep learning techniques for vehicle detection from UAV images[J]. Journal of Systems Architecture, 2021(1): 1-27.
[10] 刘士建, 金璐. 自动目标识别算法发展综述[J]. 电光与控制, 2016, 23(10): 1-6. doi: 10.3969/j.issn.1671-637X.2016.10.001 LIU Shijian, JIN Lu. A survey on algorithms for automatic target recognition[J]. Electronics Optics & Control, 2016, 23(10): 1-6. doi: 10.3969/j.issn.1671-637X.2016.10.001
[11] 陆红强, 王俊林, 王亚楠, 等. 基于深度聚类的目标细粒度分类方法[J]. 应用光学, 2022, 43(4): 669-675. doi: 10.5768/JAO202243.0402001 LU Hongqiang, WANG Junlin, WANG Ya’nan, et al. Fine-grained target classification method based on deep clustering[J]. Journal of Applied Optics, 2022, 43(4): 669-675. doi: 10.5768/JAO202243.0402001
[12] 陶磊, 洪韬, 钞旭. 基于YOLOv3的无人机识别与定位追踪[J]. 工程科学学报, 2020, 42(4): 463-468. TAO Lei, HONG Tao, CHAO Xu. Drone identification and location tracking based on YOLOv3[J]. Chinese Journal of Engineering, 2020, 42(4): 463-468.
[13] 蔡伟, 徐佩伟, 杨志勇, 等. 复杂背景下红外图像弱小目标检测[J]. 应用光学, 2021, 42(4): 643-650. doi: 10.5768/JAO202142.0402002 CAI Wei, XU Peiwei, YANG Zhiyong, et al. Dim-small targets detection of infrared images in complex backgrounds[J]. Journal of Applied Optics, 2021, 42(4): 643-650. doi: 10.5768/JAO202142.0402002
[14] 王宁, 李哲, 梁晓龙, 等. 无人机自主目标识别与定位应用研究[J]. 计算机测量与控制, 2021, 29(5): 215-219. WANG Ning, LI Zhe, LIANG Xiaolong, et al. Research on application of UAV autonomous target recognition and positioning[J]. Computer Measurement & Control, 2021, 29(5): 215-219.
[15] 李良福, 陈卫东, 高强, 等. 基于深度学习的光电系统智能目标识别[J]. 兵工学报, 2022, 43(1): 162-168. doi: 10.12382/bgxb.2022.A004 LI Liangfu, CHEN Weidong, GAO Qiang, et, al. Deep learning-based intelligent target recognition technology for electro-optical system[J]. Acta Armamentarii, 2022, 43(1): 162-168. doi: 10.12382/bgxb.2022.A004
[16] 张志明, 黄种荣. 无人机光电载荷主要战技指标的需求分析与设计[J]. 舰船光学, 2011, 47(2): 1-4. ZHANG Zhiming, HUANG Zhongrong. Technical specification oriented demand analysis and design consideration for UAV optronic payload[J]. Ship Optics, 2011, 47(2): 1-4.
[17] 袁涛, 陈建发, 潘枝峰, 等. 光电侦察系统分辨能力研究分析[J]. 电光与控制, 2019, 26(6): 85-91. doi: 10.3969/j.issn.1671-637X.2019.06.017 YUAN Tao, CHEN Jianfa, PAN Zhifeng, et, al. Analysis on resolution of electro-optical reconnaissance system[J]. Electronics Optics & Control, 2019, 26(6): 85-91. doi: 10.3969/j.issn.1671-637X.2019.06.017
[18] 朱华征, 范大鹏, 马尔玺, 等. 载体运动对光电成像系统性能的影响分析[J]. 红外技 术, 2008, 30(10): 586-590. ZHU Huazheng, FAN Dapeng, MA Erxi, et, al. The effect of the carrier movement on the photoelectric imaging system performance[J]. Infrared Technology, 2008, 30(10): 586-590.