Stability Control Method for Infrared Search and Track System Based on Mobile Platform
-
摘要:
基于移动平台的红外搜索跟踪系统已成为新一代光电搜索跟踪系统的主流趋势，小型化和轻量化是其高机动性的保证。载体运动姿态变化耦合的角速度扰动和系统内部力矩干扰将对其搭载的光电载荷视轴稳定控制带来严峻挑战，基于多轴多框架和高精度陀螺反馈控制相结合的传统视轴稳定方法已无法适用。本文针对两轴两框架移动平台红外搜索跟踪系统的光电载荷视轴稳定控制，提出了基于平方PI和Luenberger扰动观测前馈的双速度闭环同阶串级控制方法。仿真和实验表明，相对于传统的单陀螺闭环和双速度闭环稳定控制方法，该稳定控制方法有效提升了载体运动低频扰动下的视轴稳定精度。1°/1 Hz扰动下，仿真稳定精度达到2.7817 μrad，实验稳定精度达到35.85 μrad。1°/2 Hz扰动下，仿真稳定精度达到38.199 μrad，实验稳定精度达到119.1 μrad。最终，利用本文提出的稳定控制方法，两轴两框架移动平台红外搜索跟踪系统有效克服了行进间载体运动姿态变化耦合的低频角速度扰动，实现了高平稳高动态的光电载荷视轴指向控制性能。
Abstract:Infrared search and tracking systems based on the mobile platform have become the mainstream trend of the new generation in optoelectronic search and track systems, and miniaturization and lightweight guarantee high mobility. The angular velocity disturbance, coupled with the carrier's motion attitude change and internal torque disturbance of the system, raises serious challenges to the optical-axis stability control of the optoelectronic load. The traditional optic-axis stability method based on a combination of multi-axis, multi-frame, and high-precision gyro feedback control, is no longer applicable. In this study, a double-velocity closed-loop same-order cascade control method is proposed based on square PI and Luenberger disturbance observation and feedforward, for the optical axis stability control of the optoelectronic load on a two-axis two-frame mobile platform infrared search and tracking system. Simulations and experiments show that compared with the conventional single-gyro closed-loop and double-velocity closed-loop stability control methods, the proposed stability control method can effectively improve the stability accuracy of the optical axis under low-frequency disturbance of the carrier's motion. Under a disturbance of 1°/1 Hz carrier motion, the stability accuracy of the simulated optical axis improved to 2.7817 μrad and that of the actual experiment improved to 35.85 μrad. Under a disturbance of 1° /2 Hz carrier motion, the stability accuracy of the simulated optical axis improved to 38.199 μrad and that of the actual experiment improved to 119.1 μrad. Finally, using the stability control method proposed in this study, the two-axis two-frame infrared search and track system based on the mobile platform effectively overcame the low-frequency angular velocity disturbance coupled with the carrier's motion attitude change between marching, to realize a highly stable and highly dynamic optical-axis-oriented control performance of the optoelectronic load.
-
0. 引言
红外成像技术是基于目标热辐射进行成像的，与可见光成像相比具有抗干扰能力强，不受环境影响等优点[1]。然而，由于红外成像器件，成像原理和大气衰减，红外图像普遍存在对比度低，细节模糊等问题[2]。因此，对红外图像进行图像增强是必不可少的。
图像增强方法通常分为两种[3-4]：变换域的图像增强方法和空间域的图像增强方法。变换域的图像增强方法是基于傅里叶变换的，而空间域的图像增强方法是直接处理图像的像素[5]。直方图均衡化（histogram equalization，HE）[6]是一种简单、高效的空间域的图像增强方法。直方图均衡化通常分为两种[7]：全局直方图均衡化（global histogram equalization，GHE）和局部直方图均衡化（local histogram equalization，LHE）。GHE方法通过对整幅图像的直方图进行处理来完成图像增强，但它可能导致微小目标信息的丢失。LHE将直方图均衡化处理应用于图像的局部区域，有效地增强了局部细节和对比度，其中最具代表性的算法之一是对比度受限的自适应直方图均衡化（contrast limited adaptive histogram equalization，CLAHE）[8]，它增强效果显著，成熟易于实现[9]，因此在工程上被广泛应用。在CLAHE中，图像被分割为大小相等的矩形块[10]，并在每个子块中各自进行直方图均衡处理。然而由于同一目标物体被传统的CLAHE强行分割到不同图像子块，各个图像子块直方图被独立计算，因此会出现块效应，导致图像视觉不自然的现象[11-12]。CLAHE分块导致的块效应，甚至“块闪烁”现象，影响观感和感知。特别是对一些要求比较高的场景，如：机载、舰载等领域，CLAHE的“块”效应有可能会造成对天空等背景的不均匀误判，导致同一块属性的温度场左右、上下不一致，造成感知误差。
基于此，为了提高红外图像的对比度，同时避免传统算法出现的块效应，视觉不自然等问题，本文提出了基于语义分割的红外图像增强方法。首先采用语义分割网络将原始图像分割成不同的种类块。其次利用语义分割的语义信息，对每个种类块分别进行对比度受限的直方图均衡化。每个种类块在不忽略图像信息的情况下被单独操作，有效地减少了过度增强，同时有效提高了局部对比度。最后采用了新的边缘过渡方法，以避免种类块之间的突变。种类块增强与这种边缘过渡方法相结合，很好地减少了块效应，实现了图像增强。
1. 基本原理
CLAHE算法能够有效地提高局部对比度，其实现流程如图 1所示。在图 1中，CLAHE强行分块，独立计算子块映射函数，因此会出现块效应，导致视觉不自然，如图 2所示。在图 2中，红色矩形框中的天空出现了块效应，同一片天空区域灰度值差异较大，有明显的界限感。因此本文针对这些问题，提出了一种基于语义分割的红外图像增强方法，如图 3所示，包含3个步骤。第一步，使用语义分割网络CGnet[13]来获得红外图像对应的标签图，将红外图像分割成种类块。第二步，对每个种类块各自进行图像增强。第三步，在种类块之间进行边缘过渡。
1.1 语义分割
语义分割是对图像进行像素级别的分割处理，将图像里的每一个像素，配上提前定义好的标签，从而将每一个像素进行分类[14]。究其本质，语义分割就是对图像进行像素级别的分割与分类。如图 4所示，不同的颜色代表事先设定的不同标签，因此各个种类块包含了不同的语义信息。
本文使用Tianyi Wu等人提出的一种拥有上下文引导块，更好地学习局部特征和周围环境的联合特征，分割高效的轻量级语义分割网络：CGNet（context guided network）[13]。通常来说，高精度的语义分割方法具有更多的参数量，内存占用更大。表 1为各种语义分割网络在公开数据集Cityscape的参数、精度、运行时间。CGNet具有较少的参数数量，同时实现了较高的精度。
表 1 各种语义分割模型在Cityscapes数据集上的参数、精度、运行时间分析Table 1. Parameters, accuracy and time analysis of various semantic segmentation models Cityscapes datasetMethod Parameter(M) MIoU/(%) Time/ms SegNet 29.5 56.1 89.2 ENet 0.4 58.3 19.3 PSPNet 65.6 73.6 > 1000 RefineNet 118.4 78.4 > 1000 CGNet 0.5 64.8 56.8 研究者们提出了轻量化的语义分割模型，这些模型通过对轻量化的结构进行优化，降低模型的参数和计算量，从而有效地提升网络的推理速度。对于我们的数据集而言，图像尺寸为640×480，推理时间为16.8 ms。将红外图像和人为提前定义的标签送入语义分割网络CGnet中训练，之后用红外图像进行测试，测试结果的结果为所需的标签图。输出标签图与红外图像逐像素对应，不同的颜色包含不同种类的语义信息。因此，利用CGNet将红外图像分割成不同种类的种类块。
1.2 种类块图像增强
在标签图中，不同种类块对应的不同RGB值，因此可以获得该种类所有的像素坐标。输出的标签图和红外图像像素点一一对应，因此根据种类块的像素坐标可以获得该像素点的原始灰度值。通过语义分割将整幅图像分割成M个种类块：
$$ X = {X_A} \cup {X_B} \cup \cdots \cup {X_M} $$ (1) 式中：Xi＝{X(u, v)}表示由L个离散灰度级组成的给定输入图像种类块i；X(u, v)表示与空间位置(u, v)对应的灰度值；种类块i中所有元素的个数记为Ni。
根据直方图均衡化的原理[15]，对于种类块i灰度级l的映射灰度级为Hi：
$$ {H_i} = (L - 1)/{N_i}\sum\limits_{k = 0}^l {{H_i}(k)} $$ (2) 之后，对每个种类块进行裁剪和重映射处理，以减少局部对比度过度增强，如图 5所示。蓝色区域的像素被统一分配到橙色区域。这个过程可以通过迭代来实现。
裁剪阈值cliplimit的计算公式为：
$$\text { clipl}\;\text {imit} =\frac{N_i\left[1+10 *\left(u_i / q_i\right)\right]}{L}$$ (3) 式中：Ni表示种类块i的数量；u代表种类块i灰度均值；q代表种类块i灰度方差，表示种类块i灰度范围。
对比限制直方图均衡化后的种类块i映射函数为：
$$ {T_i}(l) = (L - 1)/{N_i}\sum\limits_{k = 0}^l {{H_i}^*(k)} $$ (4) 式中：Hi∗(k)为裁剪后的直方图；Ti(l)是种类块i的映射函数。同理可得不同种类块的映射函数。
1.3 种类块边缘过渡
由于不同图像块的映射函数是独立计算的，因此相邻图像块的映射函数可能存在较大差异，直方图均衡化后，相邻图像块之间不可避免地会产生块效应[16]。在传统的CLAHE方法中，为了避免相邻图像块间的块效应，采用双线性插值[17]来减小块效应。
与传统插值方法类似，为了避免相邻种类块之间的块效应，直方图均衡化后的任意像素的映射值都是通过同时考虑其他图像块的映射函数来计算的。对于原始图像上的任意像素p，其映射值为其他种类块对应灰度映射值的边缘过渡处理结果，如图 6所示。种类块经过边缘过渡后，任意像素p的最终映射值Ti∗(l)计算为：
$$ {T_i}^*(l) = \sum\limits_{i = 1}^M {{w_i}{T_i}} (l) $$ (5) 其中：
$$ {w_i} = {d_i}/\sum\limits_{i = 1}^M {({d_i}/D} ) $$ (6) $$ D = \sum\limits_{i = 1}^M {{d_i}} $$ (7) 其中不同的种类块用不同的颜色来区分。Oi是不同种类块的中心，像素p与其他种类块的中心Oi之间的欧氏距离称为di。
种类块的中心$ {O_i}({\bar x_i},{\bar y_i}) $的计算公式为：
$$ {O_i}({\bar x_i},{\bar y_i}) = \left\{ \begin{gathered} {{\bar x}_i} = \frac{{\sum\limits_{j = 0}^{{N_i}} {{x_j}} }}{{{N_i}}} \hfill \\ {{\bar y}_i} = \frac{{\sum\limits_{j = 0}^{{N_i}} {{y_j}} }}{{{N_i}}} \hfill \\ \end{gathered} \right. $$ (8) 式中：种类块的总像素个数表示为Ni；(xj, yj)为种类块中像素点的坐标位置。
任意像素点p到种类块i的中心${O_i}({\bar x_i},{\bar y_i})$的欧式距离di的计算公式为：
$$ {d_i} = \sqrt {{{(m - {{\bar x}_i})}^2} + {{(n - {{\bar y}_i})}^2}} $$ (9) 式中：(m, n)为任意像素点p的坐标位置。
2. 实验结果及分析
2.1 实验设置
本文使用公开红外语义分割数据集SODA[18]（segmenting object in day and night）1800张和自己采集与标注的红外数据集500张，并使用Labelme进行标注，之后再进行数据增广处理，最终得到4600张红外图像，包含了12个常见种类，进行语义分割训练。实验在python中实现，并在一台带有NVIDA RTX a6000 GPU和64 GB RAM的电脑进行。
2.2 评价指标
本文通过主观评价与客观评价相结合来验证本文算法的有效性。主观评价主要通过人眼的视觉感受评判。客观评价主要依靠数学模型定量计算，定量评价[19-20]。本文采用对比度（Contrast）和熵（Entropy）来对实验结果做出客观评价。
1）图像对比度的计算公式如下[21]：
$$ \varphi = \sum\limits_\tau \tau {(i,j)^2}{\gamma _\tau }(i,j) $$ (10) 式中：$\tau (i,j) = |i - j|$表示相邻像素之间的灰度差；γτ(i, j)表示相邻像素之间的灰度差为τ的像素分布概率，图像对比度越高，图像质量越好，图像更清晰。
2）图像熵ENT计算公式如下[22]：
$$ \mathrm{ENT}=-\sum\limits_{M, N} p\left(m_{(i, j)}\right) \log _2\left(p\left(m_{(i, j)}\right)\right)$$ (11) 式中：M×N表示图像的大小；p(m(i, j))表示灰度值m(i, j)的概率。熵值反映了图像灰度特征所包含的信息量。熵值越高，图像的信息量越大，质量越高。
2.3 实验结果与分析
实验结果如图 7~图 10所示。为了验证本文算法的有效性，将其与双直方图均衡[23]（brightness preserving bi histogram equalization，BBHE）、二维直方图均衡[24]（two-dimensional histogram equalization，2DHE）和对比度受限的自适应直方图均衡（CLAHE）算法进行比较，并从主观和客观评价两个方面进行分析。
![]()
图 7 场景一不同算法的增强效果对比图Figure 7. Enhanced comparison of scene one by different algorithms![]()
图 9 场景三不同算法的增强效果对比Figure 9. Enhanced comparison of scene three by different algorithms![]()
图 10 场景四不同算法的增强效果对比Figure 10. Enhanced comparison of scene four by different algorithms通过实验结果可以看出本文所提出的算法很好地实现了图像增强，对比度和各种细节都得到了增强，具有不错的视觉效果。CLAHE算法由于强行分块，会导致同一个目标物体被分割到不同图像块，独立计算，忽略了整体信息。如红色矩形框中所示，图 7(d)中的一面墙，图 8(d)中的树、图 9(d)建筑周围的天空和图 10(d)中的地面，同一目标物体中部分区域灰度差异大，有明显的界限，出现了视觉不自然。本文所提出的算法将红外图像分割成种类块，有效地避免了视觉不自然，同时很好地增强了图像。
表 2和表 3给出了图 7~10四组图像使用不同算法的对比度和熵的值。从表 2、表 3可以看出，与原图相比，各种算法得到的对比度和熵都有所增加，并且本文算法的对比度和熵值都略优于其他算法。
表 2 不同算法的对比度Table 2. Contrast of different algorithms表 3 不同算法的熵Table 3. Entropy of different algorithms综上说明采用本文方法得到的图像对比度更高，层次感更强，细节更突出，图像质量更好。
3. 结论
本文提出了一种基于语义分割的图像增强方法。该方法不同于简单地在空间上分割图像的传统方法，而是采用语义分割的方法将图像分割成种类块。根据各个种类块具有的语义信息，给种类块进行限制对比度的直方图均衡，取得了更好的图像增强效果，并且解决了传统CLAHE分块独立计算视觉不自然的问题，具有更好的视觉效果。通过多组图像，与各种图像增强算法对比，并且从主观和客观评价分析，验证了算法的有效性。
-
![]()
图 1 双速度闭环稳定控制模型
Figure 1. Single-axis double-velocity closed-loop stable control model
![]()
图 2 双速度闭环同阶串级控制数学模型
Figure 2. Double-velocity closed-loop same order cascade control mathematical model
![]()
图 3 基于平方PI控制的双速度闭环同阶串级控制模型
Figure 3. Double-velocity closed-loop same order cascade control model based on square PI controller
![]()
图 4 单PI控制和平方PI控制的定性Bode图
Figure 4. Qualitative Bode plots for single PI and square PI control
![]()
图 5 平方PI校正的Luenberger扰动观测器控制框图
Figure 5. Control block diagram of Luenberger disturbance observation with square PI corrector
![]()
图 6 本文设计的视轴稳定控制原理框图
Figure 6. The optical axis stability control block diagram of our design
![]()
图 7 两种稳定控制方法的扰动响应曲线
Figure 7. Disturbance response curves of two stability control methods
![]()
图 8 单PI控制和平方PI控制的开环频率响应曲线
Figure 8. Open-loop frequency response curves of single PI and square PI controller
![]()
图 9 1°/1 Hz扰动下基于改进控制结构和不同陀螺外环控制的视轴稳定曲线
Figure 9. Optical axis stability curves with 1°/1 Hz disturbance based on improved structure and different gyro outer-loop controller
![]()
图 10 1°/2 Hz扰动下基于改进控制结构和不同陀螺外环控制的视轴稳定曲线
Figure 10. Optical axis stability curves with 1°/2 Hz disturbance based on improved structure and different gyro outer-loop controller
![]()
图 11 Luenberger扰动观测前馈加入前后不同扰动下的视轴稳定曲线
Figure 11. Optical axis stability curves with different disturbance before and after the feedforward of Luenberger disturbance observation
![]()
图 12 单PI校正和平方PI校正的1°/1 Hz扰动响应曲线
Figure 12. Disturbance response curves with 1°/1 Hz disturbance for single PI and square PI corrector
![]()
图 13 单PI校正和平方PI校正的1°/2 Hz扰动响应曲线
Figure 13. Disturbance response curves with 1°/2 Hz disturbance for single PI and square PI correction
![]()
图 14 不同算法的扰动响应幅频曲线
Figure 14. Magnitude-frequency curves of disturbance response of different algorithms
![]()
图 15 本文稳定控制算法在不同角速度扰动下的稳定性能
Figure 15. Stability with different velocity disturbance based on the stability control method proposed in this paper
![]()
图 16 本文稳定控制算法基于100 μrad稳定精度的扰动容限
Figure 16. Disturbance tolerance for 100 μrad stability accuracy based on the stability control method proposed in this paper
![]()
图 17 基于六自由度摇摆台的移动平台红外搜索系统视轴稳定实验平台
Figure 17. The optical-axis-stability experimental platform of mobile platform infrared search and track system based on six-degree-of-freedom swing platform
![]()
图 18 1°/1 Hz载体运动扰动下的视轴稳定效果
Figure 18. Optical axis stability with 1°/1 Hz carrier's disturbance
![]()
图 19 1°/2 Hz载体运动扰动下的视轴稳定效果
Figure 19. Optical axis stability with 1°/2 Hz carrier's disturbance
表 1 俯仰框架基本电气参数
Table 1 Basic electrical parameters of pitching frame
Parameters Value Unit Moment of inertia 0.014 kg⋅m2 Armature resistance 14 Ω Armature inductance 7.5 mH Back-emf coefficient 0.28 V/rad/s Moment coefficient 0.28 Nm/A Gyro filter frequency 50 Hz 
下载: 导出CSV
表 2 不同算法作用的视轴稳定精度
Table 2 Optical axis stability accuracy for different algorithms
μrad Disturbance Traditional double-closed loop Improved double-closed loop Singer PI Square PI Square PI+DOB_PI Square PI+DOB_PI-PI 1°/1 Hz 1168 30.3 3.744 2.85 2.7817 1°/2 Hz 2161 223.3 53.68 39.943 38.199
下载: 导出CSV
表 3 摇摆台不同扰动条件下俯仰框架的视轴稳定精度
Table 3 Pitch-optical-axis stability accuracy with different disturbance of swing platform
Disturbance Single closed-loop/μrad Our method/μrad Decreasing percentage/% 1°/1 Hz 98.48 35.85 63.60 1°/2 Hz 394.4 119.1 69.80
下载: 导出CSV
表 4 与部分代表性光电系统的稳定精度对比
Table 4 Comparison of stability accuracy with some representative optic-electric systems
下载: 导出CSV
-
[1] 刘忠领, 于振红, 李立仁, 等. 红外搜索跟踪系统的研究现状与发展趋势[J]. 现代防御技术, 2014, 42(2): 95-101. https://www.cnki.com.cn/Article/CJFDTOTAL-XDFJ201402019.htm LIU Zhongling, YU Zhenhong, LI Liren, et al. Status and development trend of infrared search and track system[J]. Modern Defence Technology, 2014, 42(2): 95-101. https://www.cnki.com.cn/Article/CJFDTOTAL-XDFJ201402019.htm
[2] 吴晗平. 红外搜索系统[M]. 北京: 国防工业出版社, 2013. WU Hanping. Infrared Search System[M]. Beijing: National Defense Industry Press, 2013.
[3] 熊辉, 林宇, 张雁伟, 等. 一种基于小惯量红外稳定平台的复合电流控制方法[J]. 红外技术, 2021, 43(2): 116-126. http://hwjs.nvir.cn/cn/article/id/ad79c87b-95eb-4f5a-b6ff-92dda5b2dc72 XIONG Hui, LIN Yu, ZHANG Yanwei, et al. A composite current control method based on small inertia infrared stable platform[J]. Infrared Technology, 2021, 43(2): 116-126. http://hwjs.nvir.cn/cn/article/id/ad79c87b-95eb-4f5a-b6ff-92dda5b2dc72
[4] 唐涛, 马佳光, 陈洪斌, 等. 光电跟踪系统中精密控制技术研究进展[J]. 光电工程, 2020, 47(10): 3-31. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC202010001.htm TANG Tao, MA Jiaguang, CHEN Hongbin, et al. A review on precision control methodologies for optical-electric tracking control system[J]. Opto-Electronic Engineering, 2020, 47(10): 3-31. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC202010001.htm
[5] 谢瑞宏. 机载光电平台伺服系统稳定与跟踪控制技术的研究[D]. 长春: 中国科学院长春光学精密机械与物理研究所, 2017. XIE Ruihong. The Research of Stabilization and Tracking Control Techniques on Airborne Opto-electric Platform Servo System[D]. Changchun: Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Science, 2017.
[6] 姬伟. 陀螺稳定光电跟踪平台伺服控制系统研究[D]. 南京: 东南大学, 2006. JI Wei. Research on Servo Control System of Gyro Stabilized and Opto-Electronic Tracking Platform[D]. Nanjing: Southeast University, 2017.
[7] 方宇超. 光电跟踪稳定平台控制系统关键技术研究[D]. 长春: 长春理工大学, 2018. FANG Yuchao. Research on Key Technologies of Control System for Photoelectric Tracking Stabilized Platform[D]. Changchun: Changchun University of Science and Technology, 2018.
[8] 孔德杰. 机载光电平台扰动力矩抑制和改善研究[D]. 长春: 中国科学院长春光学机密机械与物理研究所, 2013. KONG Dejie. Restraints and improvement of disturbance torque of airborne optoelectronic platform[D]. Changchun: Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, 2013.
[9] 魏伟. 高精度机载光电平台视轴稳定技术研究[D]. 长春: 中国科学院长春光学机密机械与物理研究所, 2015. WEI Wei. The Research of Optical axis stabilization of the Airborne Photoelectric Platform[D]. Changchun: Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, 2015.
[10] 蔡华祥. 望远镜中跟踪架的扰动补偿及精密控制技术研究[D]. 成都: 中国科学院光电技术研究所, 2016. CAI Huaxiang. Disturbance Compensation and Precision Control Techniques of Tracking Gimbal on Telescope[D]. Chengdu: Institute of Optics and Electronics, Chinese Academy of Sciences, 2016.
[11] 刘京. 基于永磁同步电机的大型望远镜低速伺服系统研究[D]. 长春: 中国科学院长春光学精密机械与物理研究所, 2018. LIU Jing. Research on Low-Speed Servo System of Large Telescope based on Permanent Magnet Synchronous Motor[D]. Changchun: Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, 2018.
[12] 唐涛, 杨涛, 黄永梅, 等. 具有延迟特性的FSM系统中PI-PI控制器[J]. 光电工程, 2013, 40(5): 1-5. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC201305003.htm TANG Tao, YANG Tao, HUANG Yongmei, et al. PI-PI controller for the time delay control system of FSM[J]. Opto-Electronic Engineering, 2013, 40(5): 1-5. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC201305003.htm
[13] 张良总, 杨涛, 吴云, 等. 基于图像测量的Stewart平台双阶控制技术[J]. 光电工程, 2022, 49(8): 220019. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC202208006.htm ZHANG Liangzong, YANG Tao, WU Yun, et al. Image measurement-based two-stage control of Stewart platform[J]. Opto-Electronic Engineering, 2022, 49(8): 220019. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC202208006.htm
[14] 嵇婷, 纪明, 胥青青, 等. 机载光电稳定平台建模及动态特性分析[J]. 激光与红外, 2021, 51(2): 206-211. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW202102013.htm JI Ting, JI Ming, XU Qingqing, et al. Modeling and dynamic characteristics analysis of airborne photoelectric stabilization platform[J]. Laser & Infrared, 2021, 51(2): 206-211. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW202102013.htm
[15] 任维. 运动平台下光电跟踪系统的抗扰控制技术研究[D]. 成都: 中国科学院光电技术研究所, 2020. REN Wei. Research on Anti-interference Control Technology of Optoelectronic Tracking System Under Moving Platform[D]. Chengdu: Institute of Optics and Electronics, Chinese Academy of Sciences, 2020.
[16] 王正玺. 机载光电侦察平台高精度视轴稳定及像移补偿控制技术研究[D]. 长春: 中国科学院长春光学精密机械与物理研究所, 2019. WANG Zhengxi. Research on High Precision LOS Stabilization and Image Motion Compensation Control Technology of Aeronautical Photoelectric Stabilization Platform[D]. Changchun: Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, 2019.
[17] 夏先齐. 航空光电稳定平台粗精双稳定控制研究[D]. 长春: 中国科学院长春光学精密机械与物理研究所, 2021. XIA Xianqi. Research on Coarse and Fine Dual Stability Control of Aviation Photoelectric Stabilized Platform[D]. Changchun: Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, 2021.
[18] 张艳, 张淑梅, 乔彦峰, 等. 基于舰载光电设备参考模型扰动估计的前馈控制[J]. 光学精密工程, 2013, 21(5): 1213-1221. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJM201305016.htm ZHANG Yan, ZHANG Shumei, QIAO Yanfeng, et al. Feedforward control based on reference model disturbance observer of carrier-based optoelectronic theodolite[J]. Optics and Precision Engineering, 2013, 21(5): 1213-1221. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJM201305016.htm
[19] MA Rongqi, WANG Qiang, XIA Yunxia, et al. Disturbance com-pensation of a multiaperture imaging system based on a coupling rotating prism using an improved model compensation control[J]. Applied Optics, 2021, 60(16): 4798-4806.
[20] 阎歆婕, 林宇, 李建, 等. 温度约束的MEMS陀螺零漂补偿模型[J]. 红外技术, 2017, 39(1): 73-80. http://hwjs.nvir.cn/cn/article/id/hwjs201701014 YAN Xinjie, LIN Yu, LI Jian, et al. Compensation model of MEMS gyroscope's null shift based on temperature constraint algorithm[J]. Infrared Technology, 2017, 39(1): 73-80. http://hwjs.nvir.cn/cn/article/id/hwjs201701014
[21] 乔治∙埃利斯. 控制系统设计指南[M]. 4版: 汤晓君译. 北京: 机械工业出版社, 2016. George Ellis. Control System and Design Guide[M]. 4th Edition: Tang Xiaojun translated. Beijing: China Machine Press, 2016.
计量
- 文章访问数: 97
- HTML全文浏览量: 13
- PDF下载量: 43
