基于视觉信息的无人机自主着陆过程姿态和位置估计

为了提高无人机着陆的自主性和安全性,基于视觉信息提出了一种自主着陆过程中无人机姿态和位置估计新方法.该方法将无人机的滚转、偏航和俯仰运动视为跑道做反方向运动,无人机视为静止,利用Housh变换检测跑道边界线并提取图像直线特征,同时融合无人机的平移运动和旋转旋动,利用地面直线和图像直线间对应关系,根据跑道边界线在图像中的直线特征从而估计出无人机姿态和位置.最后采用仿真实例来验证所研究的无人机姿态和位置估计算法的有效性.     

无人机视觉辅助着陆中的姿态和位置估算

无人机安全着陆是无人机研究的重点和难点,为了提高无人机在公路等简易机场着陆的安全性,提出了基于少量任意分布特征点估计无人机姿态和位置的计算机视觉算法。解算无人机着陆过程中相对跑道的位置和姿态是文章核心;首先利用N点算法解算出特征点在摄像机坐标系上的坐标,然后利用正交化算法求出摄像机坐标系和跑道坐标系之间的旋转矩阵和平移向量;针对特征点的成像过程容易受噪声影响的情况,引入了最小中值法,减小噪声的影响,提高算法的鲁棒性,并解算出姿态和位置;通过卡尔曼滤波方法,进一步提高位置和姿态的精度。仿真结果表明:所提算法满足无人机自主着陆的精度要求。     

无人机视觉着陆位姿参数估计方法

视觉导航方法是无人机自主着陆领域的一种有效的方法。设计了一种由一个圆环和一个三基色圆构成的地标,并基于该地标给出无人机位姿估计的研究方法。该研究方法首先利用图像外部的圆环来确定目标区域,然后根据内部的三基色圆及不同颜色区域的交界线估计飞机与着陆平台的姿态参量和相对位置。在不同高度位置展开实验验证,实验数据表明,该方法能精确解算出无人机与着陆区域的相对位姿参量,达到了无人机在下降过程中实时性的要求。     

一种基于OpenCV的飞机跑道及地平线检测算法

讨论了Intel开源计算机视觉库(Open Computer Vision,OpenCV)在图像处理中的应用.跑道识别是无人机着陆图像导航中的一项关键技术,准确而实时地检测出飞机跑道及地平线对推动无人机着陆导航技术的发展及减少着陆过程中的事故起着至关重要的作用.采用的方法是对无人机航拍采集到的RGB数字原图进行预处理之后,在OpenCV平台上进行Hough变换,从而提取其飞机跑道边缘及地平线,并最终成功的在OpenCV上实现了飞机跑道及地平线识别的仿真.实验证实了该检测算法在无人机着陆导航技术中的可行性.     

共面条件约束的无人机视觉导航姿态测量

利用立体视觉进行相对姿态估计是无人机自主导航系统重要的组成部分,提出了基于共面条件约束的无人机视觉导航姿态测量方法。利用单台摄像机在不同时刻拍摄的图像建立立体视觉,根据不同时刻摄像机对同一目标成像光线的几何约束关系,建立共面条件姿态测量模型,解算出精确相对姿态参数。无人机实际图像数据的实验结果表明,该方法测量精度较高,具有较强的抗噪声能力,避免了利用2台摄像机进行无人机姿态测定的摄影同步问题,具有更大的灵活性和实用性。     

无人机视觉自主着陆仿真系统

计算机视觉导航技术具有精度高、不受电子干扰,成本低等特点,被誉为未来无人机自主着陆的必备手段之一。作为新一代着陆技术手段,视觉自主着陆技术需要进行大量的算法研究和飞行试验,因此有必要建立一个在实验室环境来验证所提方案的可行性。本文将虚拟现实、 可视化技术与计算视觉导航算法紧密结合起来,开发了一种无人机视觉自主着陆仿真验证系统, 构建场景模块,能够在复杂三维地形、不同气象条件下对无人机视觉自主着陆算法进行仿真验证, 实时计算和输出无人机着陆所需位置姿态参数。实验结果表明：该系统真实反映了无人飞行器飞行过程中的动态特性以及姿态角等的变化,并且具备良好的用户显控界面,验证了视觉自主着陆算法的可行性。     

基于视觉导航的无人机自主精准降落

针对传统导航方式精度低、误差大等问题,结合视觉导航设计了一种基于ArUco码的着陆标识。对机载相机采集的实时影像进行图像处理,利用世界坐标系与像素坐标系的映射关系建立无人机位姿估计模型,以特征点坐标解算得到当前无人机与着陆标识物之间的相对姿态估计值,设计并融合误差模型进一步提高定位精确性。通过无人机室外实际应用实验证明,设计的降落标志及新型识别算法大大提高了无人机自主降落的精准性,能更好地满足在军事无人机等高精度降落要求场合的应用。     

无人机视觉导航算法

为保证无人机着陆精度和安全性,提出了一种无人机自主着陆视觉导航位姿解算方法。首先对机载相机进行标定,获取相机参数;然后综合考虑地标形状和尺寸、地标角点几何分布和角点数量对位姿估计精度的影响,设计了T型着陆地标形状和尺寸参数,将地标轮廓提取和角点检测算法相结合,得到几何分布好、数量适中的8个角点用于位姿解算,保证了位姿解算精度;为减少LK （Lucas-Kanade）光流法稳定跟踪地标的处理时间,直接将提取的这8个角点作为LK光流法检测和跟踪的输入,保证了算法实时性;最后利用三维空间到二维像平面投影关系对飞行位姿参数进行实时解算。实验结果表明:算法具有较高估计精度,算法平均周期为76.756 ms （约13帧/s）,在速度较低的着陆阶段基本满足自主着陆视觉导航的实时性要求。     

基于光斑轮廓特征的目标快速识别算法研究

大视场的视觉着陆引导系统在引导无人机自主着陆过程中,需要快速检测出安装在无人机上的合作目标。该合作目标在图像上是以光斑形式存在,因此为了满足系统的实时性要求,本文提出了基于轮廓特征的快速检测光斑算法。该算法是根据光斑在图像中的特征,采用了目标裁剪方法,将原始图像中的光斑部分裁剪出来,从而降低算法运算量;再通过图像预处理,消除背景的无关信息与噪声干扰,增强光斑的清晰度;最后利用最小二乘算法进行椭圆拟合定位出光斑的中心位置。将本实验算法与其他光斑检测算法进行实验对比,从而验证系统的实时性。结果表明：利用本文算法可以在保证精度的同时将运行时间缩减到36 ms。     

一种基于直线特征的单目视觉位姿测量方法

提出了一种基于直线特征的单目视觉位姿测量方法SoftNewton。构造了新颖的目标直线与图像直线匹配评价函数,避免检测图像中直线的端点,最终通过软决策技术确定直线特征匹配关系,并采用高斯牛顿迭代算法基于全透视成像模型解算目标位姿。和POSIT算法相比,高斯牛顿迭代算法保持了旋转矩阵的正交性,提高位姿解算精度。仿真图像实验中,在干扰直线和噪声存在的情况下算法经过29次迭代解算得到正确的直线特征匹配矩阵,姿态误差小于0.2°,位移误差小于0.5 mm。仿真图像和实际图像实验结果均表明SoftNew-ton具有较高解算精度和较强的鲁棒性。