Details

Развитие точного земледелия создает острую потребность в подготовке специ- алистов, владеющих навыками работы с автономными агродронами. Однако су- ществующие образовательные решения сталкиваются с серьезными ограничени- ями, включая высокую стоимость профессиональных БЛА, отсутствие практико- ориентированных учебных инструментов и сложность интеграции агроспецифич- ных задач, таких как обработка мультиспектральных данных. Целью данной ра- боты является преодоление этих барьеров через разработку ПО для доступного учебного агродрона-конструктора на открытых платформах PX4 и ROS2, специ- ально адаптированного для учебных программ. Работа началась с анализа предметной области, включавшего исследование рынка агродронов, прогнозируемого к росту до $18.64 млрд к 2034 году, и суще- ствующих образовательных конструкторов. Этот анализ выявил критический раз- рыв между теоретической подготовкой студентов и практическими требованиями работодателей агропромышленного комплекса. На основе выявленных потребно- стей были сформулированы детальные технические требования. Система должна обеспечивать надежное локальное позиционирование в помещении без исполь- зования GNSS, точный контроль расхода жидкостей (удобрений или воды), воз- можность интеграции и анализа мультиспектральных данных (таких как индексы NDVI и NDWI), а также совместимость с инструментами блочного программиро- вания (Blockly) и наземными станциями управления, например QGroundControl. Для реализации этих требований была разработана комплексная программно- аппаратная платформа. Аппаратная часть основана на связке производительного полетного контроллера Kakute H7 (на базе STM32H7 с поддержкой PX4) и од- ноплатного компьютера-компаньона Raspberry Pi 5. Комплект сенсоров включает камеру OV9281-120 с глобальным затвором предназначенную для алгоритмов оп- тического потока, дальномер VL53L1X и импульсный расходомер жидкости. Про- граммная архитектура построена на стабильном стеке технологий: долгосрочно поддерживаемая версия ROS2 Jazzy (актуальная до 2029 года) в сочетании с PX4 v1.15. В рамках этой архитектуры реализованы ключевые ROS2-узлы, включая узел оптического потока, использующий метод фазовой корреляции для устойчи- вости к изменению освещенности и работающий с частотой 10 Гц; узел управле- ния расходомером жидкости с обработкой GPIO-прерываний и PID-регуляцией; а также узел, реализующий математическую модель орошения, адаптирующуюся под данные NDVI/NDWI. Разработанная система позиционирования на основе оптического потока про- демонстрировала высокую эффективность, обеспечивая точность удержания по- зиции в пределах ±7 см на рабочих высотах от 1 до 2 метров. Метод фазовой кор- реляции подтвердил свою оптимальность, обеспечивая необходимую точность при приемлемой вычислительной нагрузке на Raspberry Pi. В области управления орошением была создана и успешно внедрена гибридная модель расчета расхода жидкости. Применение PID-регулятора, что позволило снизить ошибку контро- ля расхода до уровня всего 1%. Тестирование системы проводилось комплексно: в симуляционной среде Gazebo с использованием PX4-SITL для отработки раз- личных летных сценариев, и в ходе натурных испытаний. Натурные испытания подтвердили высокую точность расходомера (погрешность не более 3% после ка- либровки по мерному цилиндру) и корректность работы алгоритма оптическо- го потока, данные которого хорошо согласовывались с показаниями одометрии в NED-системе координат. Разработанное ПО для дрона-конструктора обладает существенным образова- тельным потенциалом, позволяя студентам СПО последовательно осваивать пол- ный цикл работы с агродронами: от физической сборки БЛА до программирова- ния автономных миссий (включая взлет, посадку и точечное орошение) и после- дующего анализа сельскохозяйственных данных. Важным преимуществом является экономическая эффективность решения, до- стигнутая благодаря использованию открытых технологий (ROS2, PX4) и доступ- ных компонентов (Raspberry Pi). Архитектура обеспечивает аппаратную незави- симость, допуская замену полетных контроллеров (на любые совместимые с PX4 на базе STM32) и сенсоров без необходимости кардинального изменения логи- ки программного обеспечения. Система напрямую способствует формированию у студентов компетенций, предусмотренных ФГОС СПО для эксплуатации БЛА в агропромышленном комплексе. Представленная система управления учебным агродроном успешно решает проблему доступности практико-ориентированных инструментов для профиль- ного образования в сфере агротехнологий. Ее ключевыми преимуществами стали модульность архитектуры, обеспечивающая гибкость и масштабируемость; глу- бокая интеграция с агроспецифичными алгоритмами обработки данных (NDVI/NDWI); и акцент на безопасность эксплуатации благодаря использованию механизмов QoS в ROS2 и надежных failsafe-механизмов PX4. Перспективными направлениями для дальнейшего развития системы являются решение задач об- хода препятствий (подразумевая расширение сенсорного комплекса за счет инте- грации лидаров или гиперспектральных камер), усовершенствование существу- ющих алгоритмов управления орошением, внедрение методов получения муль- тиспектральных данных привязанных к глобальной системе координат в рамках взаимодействия с наземными станциями.

The development of precision farming creates an urgent need for the training of specialists with the skills to work with autonomous agrodrones. However, existing educational solutions face serious limitations, including the high cost of professional UAVs, the lack of practice-oriented training tools, and the complexity of the integration of agro-specific tasks such as multispectral data processing. The aim of this work is to overcome these barriers through the development of software for an accessible learning agrodrone builder on the open source PX4 and ROS2 platforms, specifically tailored for training programmes. The work began with an analysis of the subject area, which included a study of the agrodrones market, projected to grow to $18.64 billion by 2034, and existing educational constructs. This analysis revealed a critical gap between the theoretical training of students and the practical requirements of agro-industrial employers. Based on the identified needs, detailed technical requirements were formulated. The system should provide reliable local indoor positioning without GNSS, accurate control of liquid (fertiliser or water) consumption, the ability to integrate and analyse multispectral data (such as NDVI and NDWI indices), and compatibility with Blockly programming tools and ground control stations such as QGroundControl. To realise these requirements, a complex hardware and software platform was developed. The hardware part is based on a combination of a high-performance flight controller Kakute H7 (based on STM32H7 with PX4 support) and a single-board companion computer Raspberry Pi 5. The sensor suite includes an OV9281-120 global shutter camera designed for optical flow algorithms, VL53L1X rangefinder and pulse liquid flow meter. The software architecture is based on a stable technology stack: a long-term supported version of ROS2 Jazzy (current until 2029) combined with PX4 v1.15. Within this architecture, key ROS2 nodes are implemented, including an optical flow node that uses phase correlation for illumination robustness and operates at 10 Hz; a fluid flow meter control node with GPIO interrupt handling and PID control; and a node that implements a mathematical irrigation model that adapts to NDVI/NDWI data. The developed optical flow based positioning system has been shown to be highly effective, providing position holding accuracy within ±7 cm at working heights of 1 to 2 metres. The phase correlation method proved to be optimal, providing the required accuracy with an acceptable computational load on the Raspberry Pi. In the area of irrigation control, a hybrid fluid flow calculation model was created and successfully implemented. The application of PID controller, which allowed to reduce the flow control error to the level of only 1%. Testing of the system was carried out comprehensively: in Gazebo simulation environment using PX4-SITL to work out various flight scenarios, and during field tests. Field tests confirmed the high accuracy of the flowmeter (no more than 3% error after calibration using a measuring cylinder) and the correct operation of the optical flow algorithm, the data of which agreed well with the odometry readings in the NED-coordinate system. The developed software for the drone builder has significant educational potential, allowing LSE students to sequentially master the full cycle of agrodrones: from physical assembly of the UAV to programming autonomous missions (including take-off, landing and spot irrigation) and subsequent analysis of agricultural data. An important advantage is the cost-effectiveness of the solution achieved through the use of open technologies (ROS2, PX4) and affordable components (Raspberry Pi). The architecture provides hardware independence, allowing the replacement of flight controllers (with any STM32-based PX4-compatible controllers) and sensors without the need to radically change the software logic. The system directly contributes to the formation of students’ competences stipulated by the FSES SPE for UAV operation in the agro-industrial complex. The presented agro-drone management system successfully addresses the problem of availability of practice-oriented tools for agro-technology education. Its key advantages are the modularity of the architecture, providing flexibility and scalability; deep integration with agro-specific data processing algorithms (NDVI/NDWI); and a focus on operational safety through the use of QoS mechanisms in ROS2 and reliable failsafe mechanisms in PX4. Promising directions for further development of the system include solving obstacle avoidance tasks (implying the expansion of the sensor complex by integrating lidars or hyperspectral cameras), improving existing irrigation control algorithms, and introducing methods for obtaining multispectral data linked to the global coordinate system within the framework of interaction with ground stations.

• ВВЕДЕНИЕ
  • =Постановка задачи
  • =Анализ предметной области
  • Обоснование проекта
• Разработка технических требований к ПО
  • Перечень задач, решаемых в ходе работы над проектом
• Разработка структура проекта
• Обоснование выбора PX4 и ROS2 для учебного агрономического БЛА
  • Выбор автопилота на основе теории принятия решений
  • Автопилот PX4: архитектура и ключевые компоненты
    • Flight Stack (Управляющий стек)
    • Middleware (Промежуточное ПО)
    • Архитектура безопасности
  • Обоснование выбора ROS2
    • Две «стороны» ROS 2: эволюция от ROS 1
    • DDS в ROS2
    • Преимущества ROS 2 перед ROS 1
    • Обоснование выбоа ROS2
    • Структура пакета ROS2
• Выбор аппаратной части проекта
  • Выбранная аппаратная платформа
    • Полётный контроллер
    • Компьютер компаньон
  • Выбор сенсоров
    • Тип затвора OV9281-120
    • Преимущества выбранного сенсора для реализации оптического потока
• Разработка узла оптического потока
  • Выбор потока как средства позиционирования
  • Варианты реализации оптического потока
    • Корреляция фаз
    • Блочные методы
    • Дифференциальные методы
    • Вариационные методы
    • Методы дискретной оптимизации
    • Выбор метода корреляции фаз
• Калибровка камеры
• Реализация оптического потока
  • Описание класса OpticalFlow
    • Функциональность
    • Ключевые компоненты
    • Интеграция с системой преобразований координат TF2
    • Особенности реализации
    • Интеграция с ROS 2
  • Описание метода инициализации обработки оптического потока OpticalFlow1::onInit()
  • Описание метода flow
    • Преобразование и подготовка изображения
    • Обработка временных кадров
    • Вычисление оптического потока
    • Преобразование систем координат
    • Интеграция с инерциальными данными
    • Публикация результатов
    • Обработка временных меток и обновление состояния
    • Обработка исключений и логирование
  • Метод расчета данных гироскопа
    • Преимущества реализации и обоснование выбора источника данных
    • Фаза рабочего цикла
    • Фаза завершения
• Тестирование узла расходормера
• Адаптация узла измерения расхода жидкости для работы с симуляционными данными
• Математическая модель системы орошения
  • Детерминированные компоненты
  • Эмпирические компоненты
  • Обоснование гибридного подхода
  • Ограничения и направления развития
• Программная реализация системы управления
  • Архитектурные решения
  • Интерфейсы взаимодействия
  • Реализация математической модели
  • Параметрическая конфигурация
  • Обработка асинхронных событий
• Тестирования узлов расходомера и математической модели
  • Тестирование PID-регулятора
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ