当前位置:首页 > 工业控制 > 电路设计项目集锦
[导读]最初的想法是将观察无人机与地面车辆结合。无人机将对预先测绘的田地进行观测,识别热量,并估算受影响区域的变化情况,随后为地面车辆推荐一条防火路线。

WildfireGuard AI:热力监测与防火带路径规划

我们为何开发这个项目

我们希望探索热感技术与机器人技术如何帮助保护农田免受火灾蔓延的影响。

最初的想法是将观察无人机与地面车辆结合。无人机将对预先测绘的田地进行观测,识别热量,并估算受影响区域的变化情况,随后为地面车辆推荐一条防火路线。

在未来的完整应用中,该车辆可在路线上清除草木或其他可燃植被。我们的遥控车以原型规模模拟了这一功能;它不会砍伐植被,也不会形成实体的防火带。

原始方案

预期的工作流程如下:

• 拍摄田地的俯视图像

• 由用户定义田地边界及地面车辆的起始位置

• 自动让无人机飞至已保存的观测点

• 在保持摄像头固定的同时采集热成像帧• 估算热点区域的变化,并生成一条弯曲的防火带候选路径。

• 向地面车辆发送移动指令。

我们制作了一个无人机原型并尝试了飞行演示,但由于重量和平衡问题导致飞行失败。在最后一次演示中,螺旋桨叶片受损,我们通过照片和视频记录了这一情况。

由于时间有限,未能完成后续的飞行开发工作。因此,自主飞行至已保存的观测位置仍属于原始概念中未完成的部分。

最终演示内容

我们将最终演示的重点重新聚焦于传感与规划软件,使用固定摄像头和热成像传感器进行测试。

演示的工作流程如下:

• 捕获当前摄像头图像以进行实地测绘。

• 使用鼠标或触控输入调整图像中的边界点。

• 标记遥控车的起始位置。

• 将热成像视图与参考图像对齐。

• 在测绘图像上实时显示热点区域。

• 生成并更新拟议的防火带及接近路线。

• 在仪表盘上显示计算出的路线坐标。

由于RC无线连接问题尚未解决,我们已将最终演示改为在屏幕上显示路线和目标坐标,而非依赖物理遥控器的移动。

在开发过程中测试了单个电机和转向操作,但尚未验证完整生成路线的可靠端到端执行。所显示的坐标为计划目标点,而非车辆实际测量的位置,也不代表车辆已到达这些位置。

为何选择Arduino UNO Q与App Lab

Arduino UNO Q作为任务计算机,集成了传感器采集、Python处理和网络界面功能。

我们使用Arduino App Lab来开发并运行集成应用程序。微控制器负责硬件通信,Python部分处理接收到的数据并提供网络仪表板,两者通过桥接通信进行连接。

该仪表板将摄像头画面、热力图可视化、现场地图、路线规划以及可用的Pixhawk位置数据整合于一个界面中。

硬件架构

原型机包括:

• 使用Arduino UNO Q作为任务计算机。

• 配备32×24个传感器阵列的MLX90640热成像传感器。

• 用于现场参考图像的USB摄像头。

• 原始无人机架构中采用Pixhawk飞行控制器和GPS模块。

• 无人机原型所需的电池、电源分配板、UBEC、电子调速器(ESC)和电机。

• 无线电遥控原型机所使用的Arduino UNO、nRF24L01无线通信模块、L298N电机驱动器、驱动电机以及SG90舵机。

• 3D打印的无人机及遥控器底盘组件。

我们还计划使用BME280传感器采集环境温度和湿度,作为扩展估计的额外输入数据,但该传感器未能正常工作,因此被移除于最终配置中。我们怀疑可能是焊接问题或传感器本身故障,但尚未确定确切原因。

因此,最终的规划算法未使用BME280的测量数据。

实地测绘与实时热显示

当用户开始进行实地测绘时,应用程序会从当前摄像头视角捕获一张新图像。随后,用户移动边界点以识别场地,并标记遥控器的起始位置。

摄像头与热传感器具有不同的视角和分辨率。界面提供对齐步骤,用于将热成像坐标映射到参考图像上。

实时热数据通过inferno颜色映射进行显示。在原型演示中,我们设置了40°C的阈值以突出显示高温区域。该设置仅为演示用途,并非用于区分真实火灾与其他热源的有效阈值。

热点区域可视化与路线生成无关,因此即使用户正在编辑地图或无法获取路线时,热量仍可保持可见。

扩散估计与弯曲防火带规划

软件通过比较连续的热成像观测结果,估算热点区域的变化情况。利用这些观测变化,生成短期扩散估计和候选防火带。

所提出的防火带遵循受影响区域的形状,而非始终呈直线形式。规划器还会从标记的RC起始位置计算出一条接近路径。

当无法在场地边界内完整规划出环绕路线时,系统可能会建议部分弯曲路段。此类路段为规划候选方案,不意味着完全控制火势。

该实现方法采用温度阈值、几何处理以及对观测到的热变化进行外推。它并非经过训练的野火预测模型,也无法考虑影响真实火灾行为的所有因素,例如风力、燃料湿度、植被类型和地形。

由于缺乏验证的图像尺度,坐标和扩散估算均以图像网格单位表示。开发过程中所使用的假设车辆行驶时间无法确定准确的行驶距离或实际到达位置。

RC集成与最终范围变更

RC原型机设计用于接收四个方向指令:停止、前进、左转和右转。

在开发过程中,我们测试了无线电通信、转向控制以及电机行为,但无线连接无法为最终演示提供足够可靠的运行保障。

因此,我们将最终展示内容缩减为软件输出:实时热成像观测、拟议的防火带、飞行路径以及屏幕上显示的目标坐标。

这一范围调整使我们能够清晰地展示完整的感知与规划工作流程,并明确区分其与尚未完成的物理车辆执行过程。

我们学到的经验

该项目暴露出多个在设计阶段并不明显的一体化挑战。

无人机测试表明,在尝试集成飞行演示前,必须检查总重量、平衡性、推进能力及机械耐用性。

BME280问题说明,计划中的传感器输入必须尽早验证。RC测试表明,生成路线与在实际车辆上可靠执行是两个不同的工程难题。

相机到热成像的对准是另一个重要经验:检测到一个热点像素并不足够,必须将其位置准确地映射到整个图像场中,才能使路径分析有意义。

我们通过照片、视频和开发日志记录了成功的测试和失败的尝试。

下一步

未来的工作将重点包括:

• 解决RC无线连接问题,并验证完整路线的执行情况。

• 添加车辆位置反馈,以比较计划路径与实际移动情况。

• 测量图像比例、车辆速度和转向行为。

• 恢复环境感知功能,并增加风力测量数据。

• 将传播估计值与记录的观测结果进行对比评估。

• 在恢复自主飞行开发前,重新设计并验证无人机。

目前我们取得的成果是一个用于热监测和防火路线上图的原型系统。该系统展示了实时感知、用户自定义场地测绘与路线生成之间的关联,同时将自主飞行、可靠的物理路径执行以及现实世界的火灾预测留待后续开发。

本文编译自hackster.io

本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除( 邮箱:macysun@21ic.com )。
关闭