CN110081875B - 一种仿鸽子智能的无人机自主导航系统及方法 - Google Patents

一种仿鸽子智能的无人机自主导航系统及方法 Download PDF

Info

Publication number
CN110081875B
CN110081875B CN201910338535.2A CN201910338535A CN110081875B CN 110081875 B CN110081875 B CN 110081875B CN 201910338535 A CN201910338535 A CN 201910338535A CN 110081875 B CN110081875 B CN 110081875B
Authority
CN
China
Prior art keywords
pigeon
navigation
unmanned aerial
aerial vehicle
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910338535.2A
Other languages
English (en)
Other versions
CN110081875A (zh
Inventor
段海滨
辛龙
邓亦敏
李晗
徐小斌
张锡联
周锐
李皓
魏晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201910338535.2A priority Critical patent/CN110081875B/zh
Publication of CN110081875A publication Critical patent/CN110081875A/zh
Application granted granted Critical
Publication of CN110081875B publication Critical patent/CN110081875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Navigation (AREA)

Abstract

本发明公开一种仿鸽子智能的无人机自主导航系统及方法，该系统具体包括仿鸽子地磁导航定向模块、仿鸽子智能行为‑认知的主动视觉目标感知模块、仿鸽子地貌参考导航的自然场景运动估计模块、仿鸽子即时归巢机制的拼接地图快速导航模块；本发明的系统和方法，模拟鸽子的归巢过程中涌现出的智能导航机制，可以实现基于地磁场导航定向，尺度、旋转不变的目标识别，基于自然场景的运动估计和基于特殊地标的拼接地图快速导航。将所述方法集成为一个自主导航系统，充分模拟了鸽子导航行为机制，并可以实现无人机自主导航，具备不依赖卫星导航系统、高性能、高自主、抗干扰等优势。

Description

一种仿鸽子智能的无人机自主导航系统及方法
【技术领域】
本发明涉及一种仿鸽子智能的无人机自主导航系统及方法，属于导航技术领域。
【背景技术】
信息时代的到来，导航技术在新型战场环境中扮演着越来越重要的角色，现在的飞行器主要依靠全球定位系统(Global Positioning System,GPS)和惯性导航系统(Inertial Navigation System,INS)。面对陆海空天电一体化的复杂飞行环境，卫星导航系统容易受到恶意干扰和破坏，且在城市高楼、山底、峡谷间等情况下往往不可用，惯性导航系统会随着时间不断累积误差。飞行器面临的威胁类型复杂多变，飞行环境将呈现多样化，导航信号可能会被拒止、削弱，甚至被欺骗。现有的依赖卫星的导航技术将很难适应未来智能化、高动态、强干扰、规模化等任务需求，无人机需要在导航系统面临远程、高风险环境中作战。仿生导航具备不依赖卫星导航系统、高性能、高自主、抗干扰等优势，近年来成为了自主导航领域的一个热点。
鸽子在放飞之后成功安全归巢的能力在所有动物中名列前茅，鸽子同时存在基于光受体和磁铁纳米颗粒的两种磁感知机制。鸽子视网膜上存在一种蓝光受体隐花色素可以作为光依赖的磁感受器，用于获取磁场的方向信息，是鸽子的“磁罗盘”。鸽子鼻腔上喙的超顺磁铁矿纳米颗粒能够感知磁场强度的变化，颗粒分布的区域是神经末梢密集区域，这些神经与三叉神经相连为鸽子提供位置信息，是鸽子的“导航地图”的组成成分。其次，在鸽子释放试验时通过记录鸽子的脑电波发现，鸽子对于身下几百米的特殊地标(海岸线、建筑物等)，会出现脑电波激活响应。再次，鸽子远距离归巢行为借助了地貌景观的帮助，每隔一段距离会校正航向，表明鸽子具有利用单目视觉基于地貌景观实现路径积分的能力。最后，鸽子靠近鸽房区域时，鸽子将不再采用连续的罗盘和梯度导航，而依赖独立、熟悉的自然地标，生物学家称这片区域为即时归巢区域。鸽子具有不亚于哺乳动物的行为抉择能力，能够通过学习周围环境规则迅速适应环境，并且鸟类的行为抉择同样受到强化幅度、延时记忆等因素的影响。鸽子通过视觉获取鸽房附近的特殊地标信息并反复强化训练，形成了即时归巢区域。在即时归巢区域内，每个地标将具有直接到达鸽房方位信息以及相互之间的方位信息，称之为“拼接地图”。上述研究表明，鸽子能够只依赖自然环境场(太阳、地磁场等)地貌场景和特殊地标实现远距离归巢导航，其导航归巢机制与无人机自主导航的技术需求十分吻合，特别是如果能够将鸽子导航归巢过程中涌现出的智能导航机制应用于无人机自主导航，无疑具有广阔的应用前景。
本发明旨在提出一种仿鸽子智能的无人机自主导航系统及实现方法，能够模拟鸽子的智能导航行为，利用仿生导航技术实现无人机的自主导航，该系统对于今后研究无人机自主导航问题有很好的拓展强度，具有良好的应用前景。
【发明内容】
本发明是一种仿鸽子智能无人机自主导航系统及方法，其目的提供一种实现仿鸽子智能无人机自主导航系统。本发明旨在模拟鸽子智能导航行为，建立鸽子智能导航行为机制和无人机自主导航间映射关系，解决卫星导航拒止、复杂动态环境下无人机定位和导航问题，设计并集成一种仿鸽子智能的无人机自主导航系统，提高无人机的自主能力水平。
本发明针对卫星导航拒止、复杂动态环境下无人机定位和导航问题，开发了一种仿鸽子智能的无人机自主导航系统，系统结构如图1所示，具体包括四个模块，分别为：仿鸽子地磁导航定向模块、仿鸽子智能行为-认知的主动视觉目标感知模块、仿鸽子地貌参考导航的自然场景运动估计模块、仿鸽子即时归巢机制的拼接地图快速导航模块。
(1)仿鸽子地磁导航定向模块
所述的仿鸽子地磁导航定向模块，模拟鸽子的罗盘感知能力、环境梯度感知能力和“导航地图”，利用环境场确定航向和方位。该模块包括地磁传感器、INS和地磁数据库。模块组成如图2所示，需要在导航之前建立飞行区域的地磁场数据库。在无人机飞行过程中，将INS定位的轨迹和地磁传感器实时测量得到的地磁数据以及地磁场数据库存储的地磁数据作为输入，使用地磁匹配算法即可得到定位信息，地磁匹配方法采用了迭代最近等值点(Iterative Closest Contour Point，ICCP)算法，最终确定目标航向。
(2)仿鸽子智能行为-认知的主动视觉目标感知模块
所述的仿鸽子智能行为-认知的主动视觉目标感知模块，模拟鸽子的强视觉认辩能力和强记忆能力，实现以图像块为匹配单元、对尺度和旋转不变的景象匹配，辅助无人机定位。该模块主要由摄像机、地标图像数据库和仿鸽子智能行为-认知的目标识别算法组成，需要在飞行之前在地标图像数据库内保存地标的图像数据。其中仿鸽子智能行为-认知的目标识别算法流程如图3所示。无人机飞行过程中，利用向下安装的摄像机采集的地面场景图像和地标图像数据库的图像作为仿鸽子智能行为-认知的目标识别算法输入，实现主动目标识别，辅助无人机定位，减少定位误差。仿鸽子智能行为-认知的目标识别算法是本发明创新点之一，受鸽子视网膜中的光感受器单元及视神经细胞在中心高度密集、而在周边随着离中心距离的增大而逐渐稀疏的变分辨率特性启发，利用对数极坐标变换模拟该特性，对获取图像和目标区域图像分别做此变换，通过归一化互相关匹配，可实现目标识别。同时，采用鸽群优化算法(Pigeon-inspired Optimization,PIO)减少计算量，提高匹配速度。
(3)仿鸽子地貌参考导航的自然场景运动估计模块
所述的仿鸽子地貌参考导航的自然场景运动估计模块，模拟鸽子依靠单目视觉，利用地貌场景实现路径积分的能力，实现基于地面场景的无人机运动估计。该模块包括摄像机、气压高度计和单目运动估计算法等，其中向下的安装在无人机上的摄像机采集连续的地面场景图像，作为输入给单目运动估计算法，算法采用基于视觉里程计(VisualOdometry，VO)的方法，通过解算连续图像帧间位姿，计算相对运动。但此时估计相对运动缺少尺度，因此需要气压高度计获取无人机高度，用于计算相对尺度，实现无人机的绝对运动估计。
(4)仿鸽子即时归巢机制的拼接地图快速导航模块
所述的仿鸽子即时归巢机制的拼接地图快速导航模块，模拟鸽子的强化学习视觉-行为-抉择机制，实现基于特殊地标的拼接地图快速导航。鸽子在靠近鸽房附近区域时，依赖独立、熟悉的自然地标进行导航，自然地标组成了“拼接地图”，鸽子能够记忆显著地标与鸽房以及相互之间的方向关系。该模块包括摄像机、拼接地图数据集和仿鸽子视觉-行为-抉择机制的目标检测方法等。其中，拼接地图数据集需要预先采集目标点附近的地标图作为正样本，不包含地标的图像作为负样本，构成数据集。仿鸽子视觉-行为-抉择机制的目标识别方法，基于深度学习框架，在传统的SSD(Single Shot MultiBox Detector)模型基础上，在模型训练和检测阶段后加入Label层，Label层可以返回得到地标与目标区域的方位关系，实现拼接地图导航的目的。仿鸽子视觉-行为-抉择机制的目标识别方法如图4所示。
运行时利用相机获取地面场景图像，通过仿鸽子视觉-行为-抉择机制的目标检测方法识别图像中的特殊地标，可以直接得到归巢(返航)的方位和距离，实现快速导航。
本发明涉及一种仿鸽子智能的无人机自主导航方法，其具体工作步骤如下：
步骤一：初始化环境场，制作数据库
确定飞行环境场范围，在实际飞行环境对应的是建立无人机飞行区域内的地磁数据库；采集飞行中特殊地标的图像，组成图像数据集；采集目标区域附近范围内的正负样本，利用仿鸽子视觉-行为-抉择机制的目标检测方法进行训练，得到拼接地图模型。
步骤二：导航“地图”建模
导航“地图”模拟鸽子提供了理解梯度值的背景，它包括2个梯度的斜率和方向的估计，由于鸽子个体的地图是通过观测带噪声的传感器的学习过程建立的，所以假设的梯度方向和斜率均依赖于其感知的精度，且通常会有误差：带噪声的传感器造成的不准确的“地图”。然而，当建立地图后，鸽子可以反复读数并取均值，所以该不准确的“地图”中的任何误差都可以被认为小于单个罗盘或梯度读数的误差。导航“地图”即地磁场数据库，地磁场数据库本身存在误差，本发明利用式(1)～(4)模拟此误差，它在两个轴上方向误差εA，εB和梯度误差σA，σB分别表示为：
εA＝0°+ρ1×COMPNOISE/4 (1)
εB＝90°+ρ2×COMPNOISE/4 (2)
σA＝1+ρ3×GRADNOISE/4 (3)
σB＝1+ρ4×GRADNOISE/4 (4)
其中，COMPNOISE为罗盘的感知精度，GRADNOISE为梯度感知精度，二者在步骤三给出，ρ1,ρ2,ρ3,ρ4为正态分布均值0方差1的随机数。
步骤三：罗盘和感知建模
地磁传感器罗盘感知模拟了鸽子感知环境场方向的过程，这一过程存在感知误差，即仿鸽子地磁导航定向模块读取本地地磁场数据时会产生误差。本发明将罗盘的感知精度设为COMPNOISE，其计算方式为：
Figure GDA0002581378790000061
其中，
Figure GDA0002581378790000064
为罗盘读数，
Figure GDA0002581378790000062
为真罗盘航向，ρi为均值0标准差1随机数。同时，鸽子测量环境场梯度大小的过程即梯度感知也存在误差，本发明梯度感知精度用GRADNOISE表示，可用下式计算：
α＝αtrue+ρi×GRADNOISE (6)
其中，α为梯度读数，αtrue为真值，ρi为均值0标准差1随机数。
步骤四：仿鸽子地貌参考导航的自然场景运动估计模块计算无人机运动
仿鸽子地貌参考导航的自然场景运动估计模块启动，摄像机采集连续图像，用单目相机获取连续地面场景图像，然后对序列图像利用VO计算相对运动，VO运动估计原理可表示为下式：
xi+1＝Rxi+t＝Ti+1,ixi (7)
其中R表示旋转矩阵，t为平移向量，xi表示位姿节点即无人机在不同时刻的位姿。同时，气压高度计读取当前高度，与起飞高度比较相对尺度，用于计算绝对运动，尺度计算公式为：
Figure GDA0002581378790000063
其中fx fy表示相机内参，d为气压高度，d0为起飞高度，sxsy分别是x和y方向上的相对尺度。
步骤五：无人机位置估计，仿鸽子智能行为-认知的主动视觉目标感知模块使能判断
通过步骤四计算无人机相对运动，通过坐标系转换转到惯性系，并结合初始位置估计无人机的位置，判断是否进入特殊地标可视范围。若进入该特殊地标可视范围，则仿鸽子智能行为-认知的主动视觉目标感知模块使能，执行步骤七～八；
步骤六：判断是否达到LEG LENGTH距离
利用步骤四计算无人机相对运动，若运动距离达到LEG LENGTH，则返回步骤二，重新校正航向；否则，继续步骤四。
步骤七：仿鸽子智能行为-认知的目标识别算法使能，图像对数极坐标变换
对摄像机采集的实时图像去噪处理，然后分别对实时图像和地标图像作对数极坐标变换，得到变换后的图像。对数极坐标变换以图像中心为变换中心，由笛卡尔坐标系到对数极坐标系的变换公式如下：
Figure GDA0002581378790000071
Figure GDA0002581378790000072
其中，式(9)(10)分别是幅值映射和角度映射，(x0,y0)为图像中心，r为图像上某点(x,y)到图像中心的距离，ρ为幅值的对数，θ为映射角度。
对数极坐标变换将笛卡尔坐标系的尺度和角度变化转为对数极坐标系下的平移变化，因此对于尺度和角度变化具有不变性。在下一步中将进行变换后的图像模板匹配。
步骤八：利用鸽群优化算法(Pigeon-inspired Optimization，PIO)优化的归一化互相关模板匹配识别目标
在步骤七的基础上，通过图像模板匹配识别表。单纯的模板匹配十分耗时，因此在对图像模板匹配时，利用鸽群优化算法减少计算量，加速计算。PIO包括两个算子：地图罗盘算子和地标算子，如下式所示：
Figure GDA0002581378790000081
Figure GDA0002581378790000082
其中，Xi(t)Vi(t)表示第i只鸽子在第t代的位置和速度，R表示地图罗盘算子，rand为随机数，Xg表示当前的全局最佳位置。Np表示第t代鸽子数目，Xc(t)表示求所有鸽子的中心位置，fitness表示匹配度。算法最大匹配度的点即目标位置。
步骤九：仿鸽子即时归巢机制的拼接地图导航
当无人机靠近目标时，仿鸽子即时归巢机制的拼接地图导航模块启动，利用仿鸽子视觉-行为-抉择机制的目标识别方法训练好的深度学习模型检测图像中是否存在特殊地标。若存在，则可以直接得到目标的方位，然后就可以按照最优路径飞行；若未检测到，则继续步骤二～六。
步骤十：无人机成功到达目标点，并输出无人机飞行轨迹。
本发明一种仿鸽子智能的无人机自主导航系统及方法，优点及功效在于：仿鸽子智能的无人机自主导航方法，模拟鸽子的归巢过程中涌现出的智能导航机制，可以实现基于地磁场导航定向，尺度、旋转不变的目标识别，基于自然场景的运动估计和基于特殊地标的拼接地图快速导航。将所述方法集成为一个自主导航系统，充分模拟了鸽子导航行为机制，并可以实现无人机自主导航，具备不依赖卫星导航系统、高性能、高自主、抗干扰等优势。
【附图说明】
图1为仿鸽子智能的无人机自主导航系统示意图。
图2为仿鸽子地磁导航定向模块示意图。
图3为仿鸽子智能行为-认知的主动视觉目标感知算法流程图。
图4仿鸽子即时归巢机制的拼接地图导航算法流程图。
图中序号、标号、代号说明如下：
1、英特尔微型计算机NUC(Next Unit Computing)模块 2、摄像机
3、霍尔电磁传感器 4、Pixhawk飞控内置加速度计
5、Pixhawk飞控陀螺仪 6、Pixhawk飞控气压高度计
7、PixHawk飞控模块 8、GPS模块
【具体实施方式】
请参阅图1-4所示，本发明是一种仿鸽子智能的无人机自主导航系统及方法，它分为四个模块：仿鸽子地磁导航定向模块、仿鸽子智能行为-认知的主动视觉目标感知模块、仿鸽子地貌参考导航的自然场景运动估计模块、仿鸽子即时归巢机制的拼接地图导航模块，分别使无人机具备地磁定向、目标感知、运动估计和特殊地标快速导航功能。其中，Pixhawk飞控内置加速度计4、Pixhawk飞控陀螺仪5、Pixhawk飞控气压高度计6集成在PixHawk飞控模块7内，摄像机2和霍尔电磁传感器3以及PixHawk飞控模块与NUC模块1直接连接实现数据交互，所有算法均在NUC模块内实现。为了说明该系统的可行性，下面通过一个具体的仿真测试实例来验证本发明所提出的系统及其方法的有效性。
具体步骤如下：
步骤一：初始化环境场
仿真环境为一个1000x1000的环境场，认为它代表一个500x500km范围的区域。X轴表示西到东，Y轴南到北。有2个梯度场A、B，在整个1000x1000的仿真场有250个不同的值。这意味着每2公里坡度的数值加1。梯度场是静态的。
步骤二：导航“地图”建模
导航“地图”模拟鸽子提供了理解梯度值的背景，即地磁场数据本身的误差，它包括2个梯度的斜率和方向的估计，由于鸽子个体的地图是通过观测带噪声的传感器的学习过程建立的，所以假设的梯度方向和斜率均依赖于其感知的精度，且通常会有误差：带噪声的传感器造成的不准确的“地图”。然而，当建立地图后，鸽子可以反复读数并取均值，所以“地图”中的任何误差都可以被认为小于单个罗盘或梯度读数的误差。如式(1)～(4)所示建立导航“地图”模型。
步骤三：罗盘和感知精度建模
罗盘感知精度模拟了鸽子感知环境场方向的误差，即地磁传感器测量磁场时存在误差，罗盘的感知精度设为COMPNOISE，其计算方式为式(5)。生物学家估计鸟的罗盘精度均值约15°，因此我们将COMPNOISE设为15°。
梯度感知模拟了鸽子测量环境场梯度大小的过程，梯度感知精度用GRADNOISE表示，如式(6)，磨砂透镜的实验表明，鸽子基于梯度的定位的准确性优于3公里，设为1.5。
步骤四：仿鸽子地貌参考导航的自然场景运动估计模块计算相对运动摄像机采集连续图像，用单目相机获取连续地面场景图像，然后对序列图像利用VO计算相对运动，VO运动估计原理可表示为式(7)。每次计算完相对运动，气压高度计读取当前高度，与起飞高度比较相对尺度，用于计算绝对运动。尺度计算公式为：
Figure GDA0002581378790000111
其中fx fy表示相机内参，d为气压高度，d0为起飞高度，sxsy分别是x和y方向上的相对尺度。
步骤五：无人机位置估计，仿鸽子智能行为-认知的主动视觉目标感知模块使能判断
通过步骤四计算无人机相对运动，通过坐标系转换转到惯性系，并结合初始位置估计无人机的位置，判断是否进入特殊地标可视范围。若进入该特殊地标可视范围，则仿鸽子智能行为-认知的主动视觉目标感知模块使能，执行步骤七～八。
步骤六：判断是否达到LEG LENGTH距离
利用步骤四计算无人机相对运动，若运动距离达到LEG LENGTH，则返回步骤二，重新校正航向；否则，继续步骤四。
步骤七：仿鸽子智能行为-认知的目标识别算法使能，图像对数极坐标变换
对摄像机采集的实时图像去噪处理，然后分别对实时图像和地标图像作对数极坐标变换，得到变换后的图像。对数极坐标变换以图像中心为变换中心，变换方程如式(9)～(10)所示，然后执行步骤八。
步骤八：利用鸽群优化算法(Pigeon-inspired Optimization，PIO)优化的模板匹配识别目标
在步骤七的基础上，通过图像模板匹配识别表。单纯的模板匹配十分耗时，因此在对图像模板匹配时，利用鸽群优化算法减少计算量，加速计算。PIO算法初始化时，设置初始参数为：
优化维数：Dim＝2
鸽子数：Np＝100
罗盘因子：R＝0.02
罗盘算子迭代次数：Nc1＝40
地标算子迭代次数：Nc2＝10
初始化完毕后，按照式(10)～(11)迭代PIO算法，执行目标图像和实时图像的模板匹配寻找目标。
步骤九：仿鸽子即时归巢机制的拼接地图导航
当无人机靠近目标时，仿鸽子即时归巢机制的拼接地图导航模块启动，利用仿鸽子视觉-行为-抉择机制的目标识别方法训练好的深度学习模型和识别算法检测图像中是否存在特殊地标。若存在，则可直接得到目标的方位，然后按照最优路径飞行；若未检测到，则继续步骤二～六。
步骤十：无人机成功到达目标点，并输出无人机飞行轨迹
在本次仿真中，模拟无人机的最终飞行估计如图5所示。

Claims (5)

1.一种仿鸽子智能的无人机自主导航系统，其特征在于：该系统具体包括四个模块，分别为：仿鸽子地磁导航定向模块、仿鸽子智能行为-认知的主动视觉目标感知模块、仿鸽子地貌参考导航的自然场景运动估计模块、仿鸽子即时归巢机制的拼接地图快速导航模块；
所述的仿鸽子地磁导航定向模块，模拟鸽子的罗盘感知能力、环境梯度感知能力和“导航地图”，利用环境场确定航向和方位，该模块包括地磁传感器、INS和地磁数据库；
所述的仿鸽子智能行为-认知的主动视觉目标感知模块，模拟鸽子的强视觉认辩能力和强记忆能力，实现以图像块为匹配单元、对尺度和旋转不变的景象匹配，辅助无人机定位；该模块主要由摄像机、地标图像数据库和仿鸽子智能行为-认知的目标识别算法组成，需要在飞行之前在地标图像数据库内保存地标的图像数据；
所述的仿鸽子地貌参考导航的自然场景运动估计模块，模拟鸽子依靠单目视觉，利用地貌场景实现路径积分的能力，实现基于地面场景的无人机运动估计；该模块包括摄像机、气压高度计和单目运动估计算法，其中向下的安装在无人机上的摄像机采集连续的地面场景图像，作为输入给单目运动估计算法，通过解算连续图像帧间位姿，计算相对运动，气压高度计获取无人机高度，用于计算相对尺度，实现无人机的绝对运动估计；
所述的仿鸽子即时归巢机制的拼接地图快速导航模块，模拟鸽子的强化学习视觉-行为-抉择机制，实现基于特殊地标的拼接地图快速导航；该模块包括摄像机、拼接地图数据集和仿鸽子视觉-行为-抉择机制的目标检测方法。
2.根据权利要求1所述的一种仿鸽子智能的无人机自主导航系统，其特征在于：所述仿鸽子智能行为-认知的目标识别算法，是在无人机飞行过程中，利用向下安装的摄像机采集的地面场景图像和地标图像数据库的图像作为仿鸽子智能行为-认知的目标识别算法输入，实现主动目标识别，辅助无人机定位，受鸽子视网膜中的光感受器单元及视神经细胞在中心高度密集、而在周边随着离中心距离的增大而逐渐稀疏的变分辨率特性启发，利用对数极坐标变换模拟该特性，对获取图像和目标区域图像分别做此变换，通过归一化互相关匹配，实现目标识别。
3.根据权利要求1所述的一种仿鸽子智能的无人机自主导航系统，其特征在于：所述的拼接地图数据集需要预先采集目标点附近的地标图作为正样本，不包含地标的图像作为负样本，构成数据集。
4.根据权利要求1所述的一种仿鸽子智能的无人机自主导航系统，其特征在于：所述的仿鸽子视觉-行为-抉择机制的目标检测方法，是基于深度学习框架，在传统的SSD模型基础上，在模型训练和检测阶段后加入Label层，Label层返回得到地标与目标区域的方位关系，实现拼接地图导航。
5.一种仿鸽子智能的无人机自主导航方法，其特征在于：该方法步骤如下：
步骤一：初始化环境场，制作数据库
确定飞行环境场范围，在实际飞行环境对应的是建立无人机飞行区域内的地磁数据库；采集飞行中特殊地标的图像，组成图像数据集；采集目标区域附近范围内的正负样本，利用仿鸽子视觉-行为-抉择机制的目标检测方法进行训练，得到拼接地图模型；
步骤二：导航“地图”建模
导航“地图”模拟鸽子提供了理解梯度值的背景，它包括2个梯度的斜率和方向的估计，由于鸽子个体的地图是通过观测带噪声的传感器的学习过程建立的，所以假设的梯度方向和斜率均依赖于其感知的精度，且通常会有误差：带噪声的传感器造成的不准确的“地图”；然而，当建立地图后，鸽子反复读数并取均值，所以该不准确的“地图”中的任何误差都被认为小于单个罗盘或梯度读数的误差；导航“地图”即地磁场数据库，地磁场数据库本身存在误差，利用式(1)～(4)模拟此误差，它在两个轴上方向误差εA，εB和梯度误差σA，σB分别表示为：
εA＝0°+ρ1×COMPNOISE/4 (1)
εB＝90°+ρ2×COMPNOISE/4 (2)
σA＝1+ρ3×GRADNOISE/4 (3)
σB＝1+ρ4×GRADNOISE/4 (4)
其中，COMPNOISE为罗盘的感知精度，GRADNOISE为梯度感知精度，二者在步骤三给出，ρ1,ρ2,ρ3,ρ4为正态分布均值0方差1的随机数；
步骤三：罗盘和感知建模
将罗盘的感知精度设为COMPNOISE，其计算方式为：
Figure FDA0002581378780000031
其中，
Figure FDA0002581378780000032
为罗盘读数，
Figure FDA0002581378780000033
为真罗盘航向，ρi为均值0标准差1随机数；
将梯度感知精度用GRADNOISE表示，用下式计算：
α＝αtrue+ρi×GRADNOISE (6)
其中，α为梯度读数，αtrue为真值，ρi为均值0标准差1随机数；
步骤四：仿鸽子地貌参考导航的自然场景运动估计模块计算无人机运动
仿鸽子地貌参考导航的自然场景运动估计模块启动，摄像机采集连续图像，用单目相机获取连续地面场景图像，然后对序列图像利用VO计算相对运动，VO运动估计原理表示为下式：
xi+1＝Rxi+t＝Ti+1,ixi (7)
其中R表示旋转矩阵，t为平移向量，xi表示位姿节点即无人机在不同时刻的位姿；同时，气压高度计读取当前高度，与起飞高度比较相对尺度，用于计算绝对运动，尺度计算公式为：
Figure FDA0002581378780000041
其中fx fy表示相机内参，d为气压高度，d0为起飞高度，sx sy分别是x和y方向上的相对尺度；
步骤五：无人机位置估计，仿鸽子智能行为-认知的主动视觉目标感知模块使能判断
通过步骤四计算无人机相对运动，通过坐标系转换转到惯性系，并结合初始位置估计无人机的位置，判断是否进入特殊地标可视范围；若进入该特殊地标可视范围，则仿鸽子智能行为-认知的主动视觉目标感知模块使能，执行步骤七～八；
步骤六：判断是否达到LEG LENGTH距离
利用步骤四计算无人机相对运动，若运动距离达到LEG LENGTH，则返回步骤二，重新校正航向；否则，继续步骤四；
步骤七：仿鸽子智能行为-认知的目标识别算法使能，图像对数极坐标变换
对摄像机采集的实时图像去噪处理，然后分别对实时图像和地标图像作对数极坐标变换，得到变换后的图像；对数极坐标变换以图像中心为变换中心，由笛卡尔坐标系到对数极坐标系的变换公式如下：
Figure FDA0002581378780000051
Figure FDA0002581378780000052
其中，式(9)(10)分别是幅值映射和角度映射，(x0,y0)为图像中心，r为图像上某点(x,y)到图像中心的距离，ρ为幅值的对数，θ为映射角度；
对数极坐标变换将笛卡尔坐标系的尺度和角度变化转为对数极坐标系下的平移变化，因此对于尺度和角度变化具有不变性；
步骤八：利用鸽群优化算法PIO优化的归一化互相关模板匹配识别目标
在步骤七的基础上，通过图像模板匹配识别表；鸽群优化算法PIO包括两个算子：地图罗盘算子和地标算子，如下式所示：
Figure FDA0002581378780000053
Figure FDA0002581378780000054
其中，Xi(t)Vi(t)表示第i只鸽子在第t代的位置和速度，R表示地图罗盘算子，rand为随机数，Xg表示当前的全局最佳位置；Np表示第t代鸽子数目，Xc(t)表示求所有鸽子的中心位置，fitness表示匹配度；算法最大匹配度的点即目标位置；
步骤九：仿鸽子即时归巢机制的拼接地图导航
当无人机靠近目标时，仿鸽子即时归巢机制的拼接地图导航模块启动，利用仿鸽子视觉-行为-抉择机制的目标检测方法训练好的深度学习模型检测图像中是否存在特殊地标；若存在，则直接得到目标的方位，然后按照最优路径飞行；若未检测到，则继续步骤二～六；
步骤十：无人机成功到达目标点，并输出无人机飞行轨迹。
CN201910338535.2A 2019-04-25 2019-04-25 一种仿鸽子智能的无人机自主导航系统及方法 Active CN110081875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910338535.2A CN110081875B (zh) 2019-04-25 2019-04-25 一种仿鸽子智能的无人机自主导航系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910338535.2A CN110081875B (zh) 2019-04-25 2019-04-25 一种仿鸽子智能的无人机自主导航系统及方法

Publications (2)

Publication Number Publication Date
CN110081875A CN110081875A (zh) 2019-08-02
CN110081875B true CN110081875B (zh) 2020-10-09

Family

ID=67416705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910338535.2A Active CN110081875B (zh) 2019-04-25 2019-04-25 一种仿鸽子智能的无人机自主导航系统及方法

Country Status (1)

Country Link
CN (1) CN110081875B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110672088B (zh) * 2019-09-09 2021-03-30 北京航空航天大学 一种仿信鸽地貌感知归巢机制的无人机自主导航方法
CN110686906B (zh) * 2019-10-09 2021-03-26 清华大学 车辆自动驾驶测试方法及装置
CN110942048B (zh) * 2019-12-11 2022-12-20 斯云昊 一种识别仿鸟无人机的方法及终端
CN111813113B (zh) * 2020-07-06 2021-07-02 安徽工程大学 仿生视觉自运动感知地图绘制方法、存储介质及设备
CN113239936B (zh) * 2021-04-26 2024-05-28 大连理工大学 一种基于深度学习与特征点提取的无人机视觉导航方法
CN113237477B (zh) * 2021-04-27 2023-03-31 中国科学院电工研究所 一种用于地磁导航的仿生地磁传感系统
CN116883960B (zh) * 2023-09-07 2023-12-01 安徽蔚来智驾科技有限公司 目标检测方法、设备、驾驶设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106441308A (zh) * 2016-11-10 2017-02-22 沈阳航空航天大学 一种基于自适应权重鸽群算法的无人机航路规划方法
CN106843269A (zh) * 2017-01-22 2017-06-13 北京航空航天大学 一种基于小型鸟类集群飞行机制的无人机编队方法
CN107504972A (zh) * 2017-07-27 2017-12-22 北京航空航天大学 一种基于鸽群算法的飞行器航迹规划方法及装置
JP2018165932A (ja) * 2017-03-28 2018-10-25 株式会社ゼンリンデータコム ドローン用動態管理装置、ドローン用動態管理方法及びドローン用動態管理プログラム
CN109254588A (zh) * 2018-10-17 2019-01-22 北京航空航天大学 一种基于交叉变异鸽群优化的无人机集群协同侦察方法
CN109357678A (zh) * 2018-10-16 2019-02-19 北京航空航天大学 一种基于异质化鸽群优化算法的多无人机路径规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106441308A (zh) * 2016-11-10 2017-02-22 沈阳航空航天大学 一种基于自适应权重鸽群算法的无人机航路规划方法
CN106843269A (zh) * 2017-01-22 2017-06-13 北京航空航天大学 一种基于小型鸟类集群飞行机制的无人机编队方法
JP2018165932A (ja) * 2017-03-28 2018-10-25 株式会社ゼンリンデータコム ドローン用動態管理装置、ドローン用動態管理方法及びドローン用動態管理プログラム
CN107504972A (zh) * 2017-07-27 2017-12-22 北京航空航天大学 一种基于鸽群算法的飞行器航迹规划方法及装置
CN109357678A (zh) * 2018-10-16 2019-02-19 北京航空航天大学 一种基于异质化鸽群优化算法的多无人机路径规划方法
CN109254588A (zh) * 2018-10-17 2019-01-22 北京航空航天大学 一种基于交叉变异鸽群优化的无人机集群协同侦察方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
On-board visual navigation system for unmanned aerial vehicles autonomous aerial refueling;Xu Yan,etc;《PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART G-JOURNAL OF AEROSPACE ENGINEERING》;20190331;第233卷(第4期);第1193-1203页 *
从鸟群群集飞行到无人机自主集群编队;邱华鑫，等;《工程科学学报》;20170331;第39卷(第3期);第317-322页 *

Also Published As

Publication number Publication date
CN110081875A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN110081875B (zh) 一种仿鸽子智能的无人机自主导航系统及方法
CN106780699B (zh) 一种基于sins/gps和里程计辅助的视觉slam方法
CN108303099B (zh) 基于三维视觉slam的无人机室内自主导航方法
CN101598556B (zh) 一种未知环境下无人机视觉/惯性组合导航方法
CN103697889B (zh) 一种基于多模型分布式滤波的无人机自主导航与定位方法
CN111288989B (zh) 一种小型无人机视觉定位方法
CN103983263A (zh) 一种采用迭代扩展卡尔曼滤波与神经网络的惯性/视觉组合导航方法
CN106767791A (zh) 一种采用基于粒子群优化的ckf的惯性/视觉组合导航方法
CN110672088B (zh) 一种仿信鸽地貌感知归巢机制的无人机自主导航方法
CN111649737B (zh) 一种面向飞机精密进近着陆的视觉-惯性组合导航方法
CN107727101B (zh) 基于双偏振光矢量的三维姿态信息快速解算方法
CN103674021A (zh) 基于捷联惯导与星敏感器的组合导航系统及方法
CN102636081B (zh) 一种基于视觉运动建模的传递对准方法及装置
CN106352897B (zh) 一种基于单目视觉传感器的硅mems陀螺误差估计与校正方法
CN111024072A (zh) 一种基于深度学习的卫星地图辅助导航定位方法
CN109341686A (zh) 一种基于视觉-惯性紧耦合的飞行器着陆位姿估计方法
CN115574816B (zh) 仿生视觉多源信息智能感知无人平台
CN106969721A (zh) 一种三维测量方法及其测量装置
Deng et al. Visual–inertial estimation of velocity for multicopters based on vision motion constraint
CN117455960A (zh) 时变观测噪声条件下机载光电系统对地无源定位滤波算法
Zhang et al. Infrared-based autonomous navigation for civil aircraft precision approach and landing
Kim et al. Vision-based map-referenced navigation using terrain classification of aerial images
Moore et al. A method for the visual estimation and control of 3-DOF attitude for UAVs
CN114296471A (zh) 一种基于全捷联下视相机的无人机精准着陆控制方法
Hu et al. Toward high-quality magnetic data survey using UAV: development of a magnetic-isolated vision-based positioning system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant