摘要
近年来，我国隧道和地下工程发展迅速，并取得了显著成就。无人机的应用场景也从地上逐渐发展到地下。本文围绕面向未知隧道环境下无人机导航的关键技术展开研究。针对隧道内GPS拒止，内部环境复杂多变的问题，提出了基于视觉定位和深度强化学习的无人机自主导航框架。 文章主要研究内容如下：首先，为了应对隧道内昏暗环境对视觉定位造成的挑战，本文提出了一种适用于低光环境的无人机视觉定位方法。该方法通过引入Dual算法，显著改善了暗光条件下的图像照度。在此基础上，提出了一种基于聚类约束的自适应特征点提取算法，对ORB特征点进行均匀优化，并使用PROSAC算法剔除误匹配点，进而大幅提升了视觉定位的准确性和鲁棒性。为了全面地评估该方法的性能，将其集成在ORB-SLAM2框架中，并在数据集上进行了定位实验，通过对比特征点提取数量、均方根误差和最大绝对误差等评价指标，对估计值与地面真值之间的差异进行了量化分析，验证了该定位方法的有效性。 其次，针对传统的无人机控制方法难以适应复杂多变隧道环境的问题，本文设计了一种基于LSTM-PPO算法的无人机控制策略。使用LSTM网络改进PPO算法中基于AC框架的神经网络结构，能关联无人机的先前状态和动作，提高导航性能，实现在三维空间内对无人机的连续控制。同时，根据隧道内导航任务的特点设计了相应的奖励函数，以引导无人机探索最优的飞行路径。通过三个不同的三维仿真环境测试了控制策略的性能，结果显示，LSTM-PPO算法在无人机的位姿控制、导航效率及成功率等方面均展现出了显著的优势。 最后，通过实机飞行实验对所提出的无人机自主导航框架进行了验证。在详细分析硬件选型方案的基础上，自主搭建了一个配备D435i深度相机的无人机导航平台。实验结果表明，该导航框架不仅满足了无人机定位的精度要求，与高度真值的平均误差为0.0546m，还能在模拟的隧道环境中实现自主无碰撞飞行。这一研究为无人机在隧道环境中的应用提供了有力的技术支持。
NETL