مروری بر فناوری ماژول کاهش صدای پهپاد!

I. نکات فنی کلیدی

1. ترکیب داده های حسگر و فیلتر کردن (حل نویز ادراک)

ایده اصلی: حسگرهای منفرد مستعد تداخل هستند و جامعیت ندارند. با ادغام داده‌های چند سنسور (IMU، GPS، فشارسنج، مغناطیس‌سنج، سنسور بینایی، LiDAR و غیره)، الگوریتم‌هایی برای استفاده از نقاط قوت هر سنسور و جبران نقاط ضعف آن‌ها استفاده می‌شوند که در نتیجه تخمین‌های وضعیت دقیق‌تر انجام می‌شود.

فن آوری های کلیدی:

فیلتر کالمن و انواع آن: الگوریتم اصلی از طریق مراحل پیش‌بینی و به‌روزرسانی، وضعیت سیستم (مثلاً موقعیت، سرعت، نگرش) را به‌طور بهینه تخمین می‌زند و به طور مؤثر نویز سفید گاوسی را سرکوب می‌کند. فیلتر کالمن گسترده و فیلتر کالمن بدون عطر برای کنترل سیستم های غیر خطی استفاده می شود.

فیلتر تکمیلی: هزینه محاسباتی کم و عملکرد{0}در زمان واقعی بالا. معمولاً برای ترکیب داده‌های{2}}IMU فرکانس بالا و داده‌های GPS/مغناطیس‌سنج با فرکانس پایین- استفاده می‌شود، و برای بسیاری از پهپادهای ارزان{4} انتخاب ارجح است.

یادگیری عمیق-فیلترسازی مبتنی بر: از شبکه های عصبی برای یادگیری الگوهای نویز و پیش بینی مستقیم وضعیت واقعی از داده های پر سر و صدا استفاده می کند. به طور قابل ملاحظه ای در برابر نویزهای غیر{2} گاوسی و غیرخطی موثر است و نشان دهنده یک جهت تحقیقاتی پیشرفته است.

2. الگوریتم های کنترل قوی (بررسی عدم قطعیت مدل و اختلالات خارجی)

ایده اصلی: کنترل کننده ای طراحی کنید که پایداری و عملکرد سیستم را حتی در شرایط مدل های سیستم نادرست، تغییرات پارامترها یا اختلالات خارجی قوی (مانند اختلالات باد) حفظ کند.

فن آوری های کلیدی:
**کنترل PID (و نوع ضد اشباع آن):** اساسی و در عین حال موثر. نکته کلیدی در PID تطبیقی ​​نهفته است که پارامترها را به صورت آنلاین بر اساس شرایط پرواز تنظیم می کند تا رد اختلال را افزایش دهد.

**کنترل حالت لغزشی:** نسبت به تغییرات پارامترها و اختلالات خارجی حساس نیست، استحکام بسیار بالایی را نشان می دهد. عیب آن حساسیت به "پچ پچ" است.
**کنترل H∞:** یک تئوری کنترل بهینه که برای به حداقل رساندن تأثیر اغتشاشات بر خروجی سیستم طراحی شده است و از نظر تئوری استحکام سیستم را تضمین می کند.

**کنترل رد اختلال فعال (ADRC):** عدم قطعیت های مدل داخلی و اغتشاشات خارجی را در مجموع به عنوان "اختلال کل" با استفاده از یک مشاهده گر حالت توسعه یافته برای برآورد زمان واقعی و جبران می کند. بسیار قدرتمند و به طور گسترده در سال های اخیر استفاده شده است.

3. ایمنی تداخل لینک ارتباطی (آدرس کردن نویز فرمان و انتقال داده)

ایده اصلی: از کنترل پایدار، قابل اعتماد و تداخل- و سیگنال های انتقال تصویر بدون وقفه بین ایستگاه زمینی و پهپاد اطمینان حاصل کنید.

فن آوری های کلیدی:

پرش فرکانس: سیگنال به سرعت بین چندین نقطه فرکانس جابجا می شود و از قفل شدن تداخل روی فرکانس خاصی جلوگیری می کند.

طیف گسترده: طیف سیگنال را در پهنای باند وسیعی پخش می کند، چگالی طیفی توان را کاهش می دهد و مقاومت قوی در برابر تداخل باند باریک و احتمال رهگیری کم ایجاد می کند.

Forward Error Correction Coding: کدهای بررسی اضافی را به جریان داده اضافه می کند و به گیرنده این امکان را می دهد تا به طور خودکار خطاها را در محدوده خاصی بدون ارسال مجدد شناسایی و تصحیح کند.

فناوری MIMO: از چندین آنتن برای ارسال و دریافت سیگنال به طور همزمان استفاده می‌کند و از تنوع فضایی برای افزایش قدرت سیگنال و قابلیت‌های ضد تداخل- استفاده می‌کند.

رمزگذاری و احراز هویت: از جعل یا ربودن سیگنال های مخرب جلوگیری می کند (جعل GPS یک حمله رایج است).

4. سخت افزار-سطح ضد تداخل-طراحی

محافظ و زمین: مدارهای حیاتی (مانند کنترلرهای پرواز و IMU) را با محافظ فلزی برای جلوگیری از تداخل الکترومغناطیسی جدا می کند. طراحی خوب زمین می تواند نویز را کاهش دهد.

چیدمان و مسیریابی PCB: مدارهای دیجیتال با فرکانس بالا و مدارهای حساس آنالوگ را جدا می کند، مسیرهای برق را بهینه می کند و از تداخل جلوگیری می کند.

انتخاب حسگرهای-دقت بالا، کم-صدا: ورودی نویز در منبع را کاهش دهید، برای مثال با استفاده از MEMSUMUهای جبران‌شده با دما-.

II. چالش ها و مشکلات فنی

1. تضاد بین-عملکرد واقعی و منابع محاسباتی
چالش: الگوریتم‌های فیلتر پیشرفته (مانند UKF) و الگوریتم‌های کنترل (مانند ADRC) پیچیدگی محاسباتی بالایی دارند. پردازنده های کنترل پرواز پهپاد (مانند سری STM32) منابع محاسباتی محدودی دارند و باید تمام محاسبات را در یک چرخه کنترل بسیار کوتاه (معمولاً 1-10 میلی ثانیه) انجام دهند.

چالش: چگونه با منابع سخت افزاری محدود به تعادل بهینه عملکرد الگوریتم دست یابیم؟ ساده سازی، بهینه سازی و انجماد گسترده الگوریتم مورد نیاز است (به عنوان مثال، با استفاده از شتاب FPGA).

2. پیچیدگی و غیر{1}}گاوسی بودن نویز محیطی
چالش: {0}صدای واقعی جهان (مانند تندبادهای ناگهانی، تداخل مغناطیسی ناشی از ارتعاش موتور، و اثرات چند مسیره شهری) اغلب نویز سفید گاوسی ایده‌آل نیست، بلکه نویز پیچیده با ویژگی‌های ضربه و همبستگی است. فیلتر کالمن سنتی، بر اساس فرض گاوسی، تحت این شرایط افت عملکرد شدیدی را تجربه می کند.

چالش: چگونه الگوریتم‌های برآورد قوی طراحی کنیم که به طور مؤثر «غیر-گاوسی»، «غیر-ایستا» و «نویز ضربه‌ای» را مدیریت کند؟ این تمرکز تحقیقاتی فعلی. 3. پیچیدگی مدل‌سازی سیستم است

چالش: پهپادها سیستم های پیچیده، غیرخطی و به شدت جفت شده هستند. پارامترهای آیرودینامیکی با وزن، مرکز ثقل، سرعت و حتی قدرت باتری متفاوت است و ایجاد یک مدل ریاضی دقیق را دشوار می کند. بسیاری از الگوریتم های کنترل پیشرفته بر دقت این مدل تکیه دارند.

چالش: چگونه استراتژی‌های کنترلی طراحی کنیم که به یک مدل دقیق متکی نباشند یا بتوانند به صورت آنلاین یاد بگیرند و با تغییرات مدل سازگار شوند؟ مدل{0}}کنترل رایگان، کنترل تطبیقی، و کنترل مبتنی بر یادگیری{1}}راه‌حل‌هایی هستند.

4. جفت و شناسایی منابع تداخل چندگانه

چالش: نوسانات نگرش و خوانش غیرعادی حسگرها در پهپادها می‌تواند به دلیل ترکیبی از عوامل، از جمله اختلال باد، لرزش خود، تداخل الکترومغناطیسی و حتی خرابی‌های سخت‌افزاری ایجاد شود. این عوامل اغلب همراه هستند و تشخیص آنها دشوار است.

چالش: چگونه می توان نوع و شدت منابع تداخل را به طور دقیق تشخیص داد؟ این امر مستلزم توسعه فناوری‌های پیشرفته تشخیص عیب و مدیریت سلامت برای دستیابی به راه‌حل‌های هوشمند و هدفمند است.

5. محدودیت در مصرف برق، وزن و هزینه

چالش: افزایش محافظ سخت افزاری، استفاده از حسگرهای پیشرفته تر و استفاده از پردازنده های قدرتمندتر بدون شک ایمنی نویز را بهبود می بخشد، اما این امر مستقیماً مصرف انرژی، وزن و هزینه را افزایش می دهد.

چالش: تحت محدودیت‌های سختگیرانه SWaP (تضمین و حفاظت ایمنی) پهپادهای مصرفی و صنعتی، چگونه می‌توانیم از طریق الگوریتم‌های نوآورانه و طراحی سیستم به حداکثر ایمنی نویز با حداقل هزینه دست یابیم؟ این چالش اصلی برای پیاده سازی مهندسی است.

6. تداخل مخرب هدفمند (به عنوان مثال، جعل GPS)
سختی: این نویز تصادفی محیطی نیست، بلکه یک حمله هدفمند و هوشمندانه است. سیگنال های جعلی در ابتدا تقریباً از سیگنال های واقعی قابل تشخیص نیستند و تشخیص آنها را دشوار می کند.

چالش: چگونه می‌توان یک سیستم حفاظتی طراحی کرد که بتواند-تشخیص، شناسایی و کاهش چنین حملات پیشرفته‌ای را در زمان واقعی انجام دهد؟ این معمولاً نیازمند ناوبری چند منبع- (ترکیب بینایی، لیزر SLAM و غیره) برای تأیید صحت اطلاعات GPS است.