基于ROS和PX4的无人机编队协同飞行模型的仿真研究

doi:10.12398/j.issn.2096-7217.2023.03.004

智能化农业装备学报（中英文） ›› 2023, Vol. 4 ›› Issue (3): 32-41.DOI: 10.12398/j.issn.2096-7217.2023.03.004

基于ROS和PX4的无人机编队协同飞行模型的仿真研究

路梦源¹(), 王天一¹^,²(), 陈新昌³, 张宇卓¹, 宫泽奇⁴, 张星山¹

^1.中国农业大学工学院，北京市，100083
^2.中国农业大学农业无人机系统研究院，北京市，100193
^3.河南农业大学机电工程学院，河南郑州，450053
^4.中国科学院空天信息创新研究院，北京市，100094

收稿日期:2023-05-12 修回日期:2023-07-24 出版日期:2023-08-15 发布日期:2023-08-15
通讯作者: 王天一
作者简介:路梦源，男，2001年生，河南汝州人；研究方向为无人机遥感。E-mail： 1648148239@qq.com
基金资助:
国家重点研发计划课题(2022YFD2202102);内蒙古自治区科技计划项目(2022YFSJ0039);中国农业大学2115人才培育发展支持计划

Simulation research on cooperative flight model of UAV formation based on ROS and PX4

LU Mengyuan¹(), WANG Tianyi¹^,²(), CHEN Xinchang³, ZHANG Yuzhuo¹, GONG Zeqi⁴, ZHANG Xingshan¹

^1.College of Engineering，China Agricultural University，Beijing 100083，China
^2.College of Agricultural Unmanned System，China Agricultural University，Beijing 100193，China
^3.College of Mechanical & Electrical Engineering，Henan Agricultural University，Zhengzhou 450053，China
^4.Aerospace Information research Institute，Chinese Academy of Sciences，Beijing 100094，China

Received:2023-05-12 Revised:2023-07-24 Online:2023-08-15 Published:2023-08-15
Contact: WANG Tianyi

摘要/Abstract

摘要：

随着信息和智能制造技术的不断发展，农业生产进入自动化和智能化的时代。无人化智慧农场作为现代农业发展的重要方向，正面临机遇与挑战。无人机编队飞行控制技术作为无人农场重要支撑技术之一，在农田巡查、畜群管理、灌溉控制等领域为农业生产提供关键技术支持。本研究旨在分析无人机编队仿真飞行控制中各组成部分的数据交互方式，搭建并优化多旋翼无人机编队飞行仿真环境，以满足无人机编队的飞行控制在无人化智慧农场中的应用需求。通过分析无人机编队仿真飞行控制中ROS系统、PX4飞控，MAVROS通讯模块，以及Gazebo仿真环境之间的交互逻辑，搭建了基于XTDone开源仿真平台的多旋翼无人机编队飞行仿真环境，并实现了基于ROS系统、PX4飞控和Gazebo无人机编队的模型构建与飞行控制。在此基础上，利用激光雷达采集环境信息，在ROS分布式框架下进行软件算法的优化，实现了基于扫描匹配算法的SLAM功能和基于最优路径规划算法的导航功能。理论仿真及试验结果表明，该平台具有开源、低成本、可扩展、模块化等优点，所搭建的仿真环境可实现无人机的编队飞行控制、封闭环境二维地图的构建和自主导航飞行，并分析得出该仿真平台下无人机编队的单位飞行精度约为76%，累计飞行距离和飞行误差所构建回归模型的R²为0.830 9。研究结果证明了利用无人机编队协同飞行作业满足无人化智慧农场中常见农田作业需求的可行性，展示了无人机编队在无人化智慧农场中的应用效果和优势，为深层优化仿真飞行环境及拓展现代农业生产应用场景提供技术思路，在相关领域的研究和实践中也具有一定的借鉴和参考价值。

关键词: 无人农场, 无人机编队, 数据交互, 飞行控制, 激光SLAM, 导航

Abstract:

With the continuous development of information and intelligent manufacturing technology， agriculture has entered the era of intelligent and automated production. Unmanned smart farms， as an important direction of modern agricultural development， are facing opportunities and challenges. As one of the key supporting technologies for unmanned farms， unmanned aerial vehicle （UAV） swarm flight control technology provides crucial technical support for agricultural production in fields such as field inspection， livestock management， and irrigation control. This study aimed to analyze the data interaction methods of various components in UAV swarm simulation flight control， establish and optimize a multi-rotor UAV swarm flight simulation environment to meet the application requirements of UAV swarm flight control in unmanned smart farms. In this paper， by analyzing the interaction logic among the ROS system， PX4 flight controller， MAVROS communication module， and Gazebo simulation environment in UAV swarm simulation flight control， we built a multi-rotor UAV swarm flight simulation environment based on the open-source XTDone simulation platform. We also realized model construction and flight control of UAV swarm based on the ROS system， PX4 flight controller， and Gazebo. Furthermore， using a laser radar to collect environmental information， we optimized software algorithms in the ROS distributed framework， achieving simultaneous localization and mapping （SLAM） based on scan matching algorithm and navigation based on optimal path planning algorithm. Theoretical simulation and experimental results demonstrated that the platform had advantages such as open-source， low cost， scalability， and modularity. The constructed simulation environment can achieve UAV swarm flight control， construction of 2D maps in enclosed environments， and autonomous navigation flight. Analysis revealed that the unit flight accuracy of the UAV swarm under this simulation platform was approximately 76%， and the regression model constructed from cumulative flight distance and flight error had an R² of 0.830 9. The research results demonstrated the feasibility of using UAV formation collaborative flight operations to meet the common agricultural operation needs in unmanned smart farms， demonstrated the application effect and advantages of UAV formation in unmanned smart farms， and provided technical ideas for deep optimization of simulation flight environments and expansion of modern agricultural production application scenarios. It also showed certain reference value and reference value in research and practice in related fields.

Key words: unmanned farm, drone formation, data exchange, flight control, laser SLAM, navigation

路梦源, 王天一, 陈新昌, 张宇卓, 宫泽奇, 张星山. 基于ROS和PX4的无人机编队协同飞行模型的仿真研究[J]. 智能化农业装备学报（中英文）, 2023, 4(3): 32-41.

LU Mengyuan, WANG Tianyi, CHEN Xinchang, ZHANG Yuzhuo, GONG Zeqi, ZHANG Xingshan. Simulation research on cooperative flight model of UAV formation based on ROS and PX4[J]. Journal of Intelligent Agricultural Mechanization, 2023, 4(3): 32-41.

图/表 17

图1 ROS、PX4和Gazebo之间的信息交互

Figure 1 Information exchange between ROS， PX4， and Gazebo

图2 多旋翼无人机个体和编队三维模型

Figure 2 Multi-rotary-wing UAV individual and formation 3D-model

图3 无人机编队中各机飞行控制信息交互关系

Figure 3 Flight control information exchange among drones in a swarm

图4 接收、处理模块间的位姿信息传输

Figure 4 Transmission of pose information between receiving and processing modules

图5 通信脚本优化逻辑

Figure 5 Communication script optimization logic

图6 无人机编队的编号顺序及相对位置

Figure 6 The numbering sequence and relative positions of the UAV formation

图7 编队内各无人机通信连接结果

Figure 7 Communication connection results between unmanned aerial vehicles within the formation

图8 无人机编队的空中悬停

Figure 8 Autonomous formation flight and hovering of UAVs

表1 无人机编队飞行前后队形坐标对比

Table 1 Experimental results and comparison of autonomous navigation

无人机序号	起飞坐标/（m,m,m)		悬停坐标/（m,m,m)		相对误差/m
无人机序号	理论	实际	理论	实际	相对误差/m
0	（0，3，0）	（-0.060 392，2.977 764，-0.013 842）	（1，4，1）	（0.942 345，3.817 296，1.003 825）	0.728 7
1	（3，3，0）	（2.939 607 8，2.975 464 2，-0.016 522）	（4，4，1）	（3.942 397，3.817 322，1.004 061）	0.881 6
2	（6，3，0）	（5.939 607 8，2.977 634 2，-0.010 212）	（7，4，1）	（6.942 307，3.817 346，1.004 202）	0.728 4
3	（0，6，0）	（-0.060 392，5.977 764，-0.022 335）	（1，7，1）	（0.942 635，6.817 450，1.004 241）	0.728 9
4	（3，6，0）	（2.947 156 8，5.977 764 1，-0.018 215）	（4，7，1）	（3.943 414，6.817 608，1.004 388）	0.881 3
5	（6，6，0）	（5.947 156 8，5.988 882 0，-0.014 615）	（7，7，1）	（6.943 964，6.817 801，1.004 354）	0.728 2
6	（0，9，0）	（-0.052 843，8.988 882，-0.020 038）	（1，10，1）	（0.944 340，9.818 012，1.004 124 3）	0.729 7
7	（3，9，0）	（2.947 156 8，8.988 882，-0.014 728）	（4，10，1）	（3.944 579，9.818 174，1.003 569）	0.881 3
8	（6，9，0）	（5.947 156 8，8.988 882，-0.014 638）	（7，10，1）	（6.944 666，9.818 325，1.002 841）	0.728 2

图9 无人机编队飞行前后的目标与实际位置示意图

Figure 9 Illustration of targets and actual positions before and after drone formation flight

图10 基于二维激光SLAM的地图构建

Figure 10 Map construction based on 2D laser SLAM

图11 二维线性地图与3D地图俯视图的比对

Figure 11 Comparison between 2D linear maps and 3D top view maps

图12 Dijkstra、A*算法求解路径对比图（a）Dijkstra算法所规划的路线（b）A*算法所规划的路线

Figure 12 Comparison of Dijkstra and A* algorithms for pathfinding

图13 基于全局地图的自主飞行导航

Figure 13 Autonomous flight navigation based on global map

表2 自主导航试验结果

Table 2 Dominant navigation experiment results

目标航点序号	目标位置坐标/m	实际位置坐标/m	预期累计飞行距离/m	累计飞行误差/m
1	（3.5，4，1）	（3.455 083，4.321 457，0.917 043）	5.32	0.335 004
2	（3.5，8，1）	（3.376 038，7.255 361，1.267 812）	9.32	0.513 196
3	（5，9，1）	（4.503 481，9.331 964，0.827 435）	11.05	0.827 949
4	（3，6，1）	（2.502 856，6.342 934，0.829 316）	14.79	0.829 532
5	（3，9，1）	（2.502 680，9.365 054，0.833 430）	17.79	0.832 552
6	（2，12，1）	（1.942 875，12.825 011，1.325 381）	20.95	0.884 961
7	（4，11，1）	（4.302 737，11.348 236，0.960 427）	23.19	0.960 230
8	（9，13，1）	（8.186 833，13.675 290，1.191 437）	28.58	0.977 177
9	（6，10，1）	（5.791 630，10.293 263，1.877 684）	32.82	1.017 770
10	（6，15，1）	（4.581 583，14.006 248，0.978 429）	37.82	1.432 636

图14 目标点与实际到达的二维路线对比图

Figure 14 Comparison graph of the desired and actual two-dimensional routes to the target point

图15 累计飞行距离与累计误差的散点—拟合直线图

Figure 15 Scatter plot of accumulated flight distance and accumulated error with a fitted line

参考文献 22

1	谷旭平，唐大全，唐管政. 无人机编队协同导航研究现状及进展［J］. 舰船电子工程， 2021， 41（7）： 28-33.
	GU Xuping， TANG Daquan， TANG Guanzheng. Research status and progress of UAV formation cooperative navigation ［J］. Ship Electronic Engineering， 2021， 41（7）： 28-33.
2	李鹏举，毛鹏军，耿乾，等. 无人机集群技术研究现状与趋势［J］. 航空兵器， 2020， 27（4）： 25-32.
	LI Pengju， MAO Pengjun， GENG Qian， et al. Research status and trend of UAV swarm technology ［J］. Aero Weaponry， 2020， 27（4）： 25-32.
3	戴大伟，龙海英. 无人机发展与应用［J］. 指挥信息系统与技术， 2013， 4（4）： 7-10.
	DAI Dawei， LONG Haiying. Development and application of unmanned aerial vehicle ［J］. Command Information System and Technology， 2013， 4（4）： 7-10.
4	宗群，王丹丹，邵士凯，等. 多无人机协同编队飞行控制研究现状及发展［J］. 哈尔滨工业大学报， 2017， 49（3）： 1-14.
	ZONG Qun， WANG Dandan， SHAO Shikai， et al. Research status and development of multi UAV coordinated formation flight control ［J］. Journal of Harbin Institute of Technology， 2017， 49（3）： 1-14.
5	夏天. 基于激光2D-SLAM的地图构建算法研究［D］. 杭州：杭州电子科技大学， 2020.
	XIA Tian. Research on mapping algorithm based on laser 2D-SLAM ［D］. Hangzhou： Hangzhou Dianzi University， 2020.
6	LIU Y Y， MONTENBRUCK J M， ZELAZO D， et al. A distributed control approach to formation balancing and maneuvering of multiple multirotor UAVs ［J］. IEEE Transactions on Robotics， 2018， 34（4）： 870-882.
7	成成. 多无人机协同编队飞行控制关键技术研究［D］. 长春：中国科学院大学（中国科学院长春光学精密机械与物理研究所）， 2018.
	CHENG Cheng. Research on key technologies for collaborative formation flight control of multiple unmanned aerial vehicles ［D］. Changchun： Changchun Institute of Optics， Fine Mechanics and Physics， Chinese Academy of Sciences， 2018.
8	赵伟伟. 无人机集群编队及其避障控制关键技术研究［D］. 长春：中国科学院大学（中国科学院长春光学精密机械与物理研究所）， 2020.
	ZHAO Weiwei. Research on key technologies of UAV flocking formation and obstacle avoidance control ［D］. Changchun： Changchun Institute of Optics， Fine Mechanics and Physics， Chinese Academy of Sciences， 2020.
9	张迪，刘婷婷，宋家友. 基于动态规划的无人机编队最优协同容错控制［J］. 电光与控制， 2023， 30（4）： 34-39.
	ZHANG Di， LIU Tingting， SONG Jiayou. Optimal cooperative fault-tolerant control of UAV formation based on dynamic programming ［J］. Electronics Optics & Control， 2023， 30（4）： 34-39.
10	贾永楠，田似营，李擎. 无人机集群研究进展综述［J］. 航空学报， 2020， 41（S1）： 4-14.
	JIA Yongnan， TIAN Siying， LI Qing. Development of unmanned aerial vehicle swarms ［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（S1）： 4-14.
11	刘钢，汤俊，刘陈，等. 无人飞行器集群协同行为建模技术综述［J］. 系统工程与电子技术， 2021， 43（8）： 2221-2231.
	LI Gang， TANG Jun， LIU Chen， et al. Survey of cooperative behavior modeling technology for unmanned aerial vehicles clusters ［J］. Systems Engineering and Electronics， 2021， 43（8）： 2221-2231.
12	邹立岩，张明智，柏俊汝，等. 无人机集群作战建模与仿真研究综述［J］. 战术导弹技术， 2021（3）： 98-108.
	ZOU Liyan. ZHANG Mingzhi. BAI Junru，et al. A survey of modeling and simulation of UAS swarm operation ［J］. Tactical Missile Technology， 2021（3）： 98-108.
13	ALÁEZ D， OLAZ X， PRIETO M， et al. HIL flight simulator for VTOL-UAV pilot training using X-Plane ［J］. Information， 2022， 13（12）： 585.
14	丁中涛. 基于ROS的无人机自主降落技术研究［D］. 成都：成都理工大学， 2020.
	DING Zhongtao. Research on autonomous landing of UAV based on ROS ［D］. Chengdu： Chengdu University of Technology， 2020.
15	XIAO K， MA L， TAN S， et al. Implementation of UAV coordination based on a hierarchical multi-UAV simulation platform ［C］//Advances in Guidance， Navigation and Control： Proceedings of 2020 International Conference on Guidance， Navigation and Control， ICGNC 2020， Tianjin， China， October 23—25， 2020. Springer Singapore， 2022： 5131-5143.
16	胡新雨，马澜，肖昆，等. 基于XTDrone的无人机集群协同搜索仿真系统［J］. 机器人技术与应用， 2022（5）： 25-28.
	HU Xinyu， MA Lan， XIAO Kun， et al. A UAV cluster collaborative search simulation system based on XTDrone ［J］. Robot Technique and Application， 2022（5）： 25-28.
17	孙翔龙，梁彦刚. 基于Gazebo和PX4的强化学习训练仿真环境接口设计与实现［J］. 电子技术与软件工程， 2022（5）： 68-71.
	SUN Xianglong. LIANG Yangang. Design and implementation of reinforcement learning training simulation environment interface based on Gazebo and PX4 ［J］. Electronic Technology & Software Engineering， 2022（5）： 68-71.
18	刘书林. 四旋翼无人机编队飞行的控制策略研究［D］. 哈尔滨：哈尔滨工业大学， 2016.
	LIU Shulin. Study on formation control strategy for quad rotors ［D］. Harbin： Harbin Institute of Technology， 2016.
19	王超. 基于ROS的移动机器人全遍历路径规划研究［D］. 南昌：南昌大学， 2022.
	WANG Chao. Research on full traversal path planning of mobile robot based on ROS ［D］. Nanchang： Nanchang University， 2022.
20	王岸雄. 基于ROS的自主移动机器人环境建模和路径规划研究［D］. 西安：西安理工大学， 2020.
	WANG Anxiong. Research on environment modeling and path planning of autonomous mobile robot based on ROS ［D］. Xi’an： Xi’an University of Technology， 2020.
21	王洪斌，郝策，张平，等. 基于A*算法和人工势场法的移动机器人路径规划［J］. 中国机械工程， 2019， 30（20）： 2489-2496.
	WANG Hongbin， HAO Ce， ZHANG Ping， et al. Path planning of mobile robots based on A* algorithm and artificial potential field algorithm ［J］. China Mechanical Engineering， 2019， 30（20）： 2489-2496.
22	李晓旭，马兴录，王先鹏. 移动机器人路径规划算法综述［J］. 计算机测量与控制， 2022， 30（7）： 9-19.
	LI Xiaoxu， MA Xinglu， WANG Xianpeng. A survey of path planning algorithms for mobile robots ［J］. Computer Measurement & Control， 2022， 30（7）： 9-19.

[1]	钱震杰, 金诚谦, 刘政, 杨腾祥. 无人农场中的智能控制技术应用现状与趋势[J]. 智能化农业装备学报（中英文）, 2023, 4(3): 1-13.
[2]	崔鑫宇, 崔冰波, 马振, 韩逸, 张建鑫, 魏新华. 几何路径跟踪组合算法及其农业机械自动导航应用[J]. 智能化农业装备学报（中英文）, 2023, 4(3): 24-31.
[3]	张磊, 刘义亭, 陈光明, 李佩娟. 基于超声波传感器的巡检机器人导航纠偏研究[J]. 智能化农业装备学报（中英文）, 2022, 3(2): 64-70.
[4]	张隆梅, 刘岗微, 齐彦栋, 杨腾祥, 金诚谦. 农业机械无人驾驶系统关键技术研究进展[J]. 智能化农业装备学报（中英文）, 2022, 3(1): 27-36.
[5]	罗锡文. 人工智能与植保机械化[J]. 智能化农业装备学报（中英文）, 2020, 1(1): 1-6.

基于ROS和PX4的无人机编队协同飞行模型的仿真研究

Simulation research on cooperative flight model of UAV formation based on ROS and PX4

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 22

相关文章 5

编辑推荐

Metrics

本文评价