摘要：随着无人机技术的快速发展，无人机的自主降落技术成为研究热点之一。针对无人机自主降落视觉引导过程中存在实时性弱、准确度低、误差大等问题，提出了一种基于ArUco码矩阵的视觉引导方法。该方法通过设计一种由ArUco码矩阵构成的降落标志，并利用机载相机捕捉矩阵标志每一层的图像信息，结合改进的位姿估计算法，对每一层标志所算出的位姿数据进行基于卡尔曼滤波器的误差补偿，实现无人机相对于目标降落点的空间位置及姿态角度的精确测定。通过无人机室外实际应用实验证明，设计的降落标志及改进算法大大提高了在不同高度和角度下ArUco码矩阵的识别率，且通过卡尔曼滤波器进一步提高位姿估计的准确性，为无人机提供了一个高效、准确、鲁棒的自主降落解决方案，同时对提高无人机在复杂环境下的操作性能和安全性具有重要意义。

　　关键词：无人机；自主降落；视觉引导；ArUco码；卡尔曼滤波器

　　0引言

　　无人机技术、微电子技术等相关领域的不断创新发展，极大地推动了无人机飞行控制系统的完善和成本的降低[1]，为无人机向民用化转型打下了坚实的技术基础。无人机可以根据机翼的不同类型被分类为扑翼式、多旋翼和固定翼3种主要形式[2]。而多旋翼无人机因其独特的优势而在民用市场上尤为突出，其通常配备有4个或更多的旋翼，使之能够垂直起降、在空中静止，以及在狭小空间内灵活移动。多旋翼无人机高度的机动性、灵活性和适应性使之成为执行多样化任务的理想选择[3]，被广泛应用于医学救援、军事侦察、农业植保、消防救援等领域[4-7]，发挥着重要作用。

　　在无人机视觉引导降落技术中，最初的尝试主要集中在使用单个二维码[8]或简易目标标记上。这种方法结合了先进的图像处理算法，有助于提升着陆过程的准确度。不过，此方法对于相机的解析能力、拍摄角度以及无人机的飞行高度非常敏感，存在一定的局限性。Liang Xiao等[9]通过整合局部搜索技术对Apriltags的识别与跟踪算法进行了改良，以便更准确地追踪并着陆在移动的目标上，为无人机的精准降落提供了一种新的途径。但这一改进依赖于算法能否精确提取目标的位置和方向，导致着陆时偶尔也会发生小幅偏差。

　　在无人机执行降落任务时，随着高度的降低，相机的视野面积会变得小于标识的整体面积，这使得依赖单一地标进行定位和识别变得异常困难。为解决这一问题，研究人员提出了一种创新的多阶段矩阵标识策略，以适应无人机在各种降落高度下的视觉识别需求。Wang L等[10]基于计算机视觉技术的目标检测与跟踪算法，以同心圆作为外部，“H”标记作为内部，该算法具有很好的鲁棒性和很高的精度，但处理过程中需要不断切换内外几何图形的检测和识别算法，这导致系统的实时性降低。

　　在自动化和机器人技术领域，算法的鲁棒性和精度是衡量其性能的关键指标[11]，特别是在图形检测和识别的应用中，这些算法必须能够在各种条件下准确识别目标，以确保整个系统的有效运行。然而，传统的方法往往需要在不同的内外几何图形检测和识别算法之间频繁切换，这不仅增加了算法的复杂度，还影响了其实时性。谭家祺[12]设计了一种新型红蓝双箭头地标，通过色彩对比简化图形检测与识别，提高系统响应速度。尽管红蓝地标在理论上能提升系统实时性能，但在环境对比度和照明强度上的表现不如传统黑白地标。黑白地标因其高对比度在多种照明条件下都能保持良好的可识别性，而红蓝双箭头地标可能因环境光线和背景色彩干扰而变得难以识别，其性能在对比度低和照明条件不佳时可能受限。

　　在探索无人机精确自主降落的标识方面，上述各种方案均展现了其独有的优势，但无人机自主精准降落对实时性、准确性、误差等要求较高。因此，本文旨在解决无人机自主降落过程中存在的实时性弱、准确性低、误差大的问题。本文利用视觉导航系统和无人机技术，研发了一种基于ArUco码的矩阵及其识别算法。这一种算法可以精确地辨识和监测通过机载摄像头捕获的图像，从而达到对目标点的位置和方向进行估算的目的。利用特征点坐标，进一步优化了无人机与地面标识物之间的相对位置和姿态计算精度[13]。通过引入误差修正模型，极大地提高了算法的准确性。经过板载计算机处理后，信息被转化为无人机的导航信号[14]，确保了精确的姿态控制。最终，本文通过真机实验验证了该方案的有效性。

　　1相机标定与降落标志设计

　　1.1相机标定

　　为了在机器视觉中实现三维空间点与二维图像点之间的对应关系，需构建精确的相机几何模型。这一模型的构建依赖于相机的内部参数和畸变参数数据。相机标定是一个通过实验验证和数值计算来精确确定这些关键参数的过程，如图1所示。

　　本文使用了张氏标定法来标定[15]，这种方法利用了如图2所示的棋盘格作为标定板。