CN110824453A - 一种基于图像跟踪与激光测距的无人机目标运动估计方法 - Google Patents

一种基于图像跟踪与激光测距的无人机目标运动估计方法 Download PDF

Info

Publication number
CN110824453A
CN110824453A CN202010024541.3A CN202010024541A CN110824453A CN 110824453 A CN110824453 A CN 110824453A CN 202010024541 A CN202010024541 A CN 202010024541A CN 110824453 A CN110824453 A CN 110824453A
Authority
CN
China
Prior art keywords
target
unmanned aerial
aerial vehicle
model
estimation method
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.)
Pending
Application number
CN202010024541.3A
Other languages
English (en)
Inventor
彭继平
谢瑞强
郭亮
汪超
薛松柏
徐大勇
王劲
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.)
Sichuan AOSSCI Technology Co Ltd
Original Assignee
Sichuan AOSSCI Technology Co Ltd
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 Sichuan AOSSCI Technology Co Ltd filed Critical Sichuan AOSSCI Technology Co Ltd
Priority to CN202010024541.3A priority Critical patent/CN110824453A/zh
Publication of CN110824453A publication Critical patent/CN110824453A/zh
Priority to CN202010939439.6A priority patent/CN112229405B/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/12—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters

Abstract

本发明公开了一种基于图像跟踪与激光测距的无人机目标运动估计方法，其具体方法是首先采集数据并对数据进行预处理，基于目标加速度的当前统计模型建立扩展卡尔曼滤波算法的滤波模型，并利用扩展卡尔曼滤波解算目标位置与速度。本发明解决无人机利用光电吊舱（光电转台+激光测距仪）无法实现目标实时准确定位的问题，提出将目标定位问题视为多传感器数据融合问题，并基于目标加速度的当前统计模型利用扩展卡尔曼滤波实现目标运动状态实时估计。本发明提出的目标运动状态实时估计方法要求光电转台具备图像跟踪能力，定位方法适用于地（水）面静止目标或机动目标，可同时得到目标位置与速度信息。

Description

一种基于图像跟踪与激光测距的无人机目标运动估计方法
技术领域
本发明涉及无人机技术领域，具体涉及一种基于图像跟踪与激光测距的无人机目标运动估计方法。
背景技术
无人机在进行侦查、搜索、跟踪、协同打击等任务时，通常需要利用相机获取目标位置。目标可能是静止的，如建筑物、防御工事、特征地表等，也可能具有机动能力，如行人、动物、车辆、船只等。目前无人机目标定位方案一般有TOF、双目视觉、单机序列测量定位、多机协同定位以及激光测距+光电转台。TOF、双目视觉方案测量距离短（一般在100m以内），受环境光及物体纹理影响大，因此仅在微小型无人机平台上使用。单机序列测量方法通过无人机在不同位置对地面同一固定目标的多次测量产生数据序列并求解最小方差解，然而此种方法需要多次测量，收敛速度慢，仅能定位静止目标。多机协同定位一方面要求各无人机的测量时钟严格同步，且云台相机的控制也应严格同步；另一方面还要求无人机之间能够通信或者具有共同的中心节点用于处理多机返回的测量数据。因此多机协同定位方案不仅需要更多的无人机，而且工程实现难度大，尤其在应用于移动目标时系统要求更高，定位效果并不理想，因此采用此种方案实际上得不偿失。
常规的任务型无人机一般采用光电吊舱（激光测距+光电转台）来实现目标定位，且激光测距仪安装在光电转台上，出射方向与光轴平行。激光测距仪可直接测量目标与无人机之间的距离，因此只需一次测量即可确定目标位置，无需多架无人机或多次测量，并且通过连续多次测量还可确定运动目标的每一测量时刻的位置。然而，由于无人机机身振动传递、光电转台伺服间隙、风扰等因素存在，光电转台反馈伺服角度存在中低频抖动，尤其在闭环视觉伺服控制模式下抖动会更加显著。在相对距离较远的情况下，角度的抖动会产生位置解算偏差，定位结果将分布在以目标真实位置为圆心一定半径的圆内。以距离
Figure 839858DEST_PATH_IMAGE001
为例，视线角偏差为
Figure 750045DEST_PATH_IMAGE002
时，误差分布半径可达
Figure 409697DEST_PATH_IMAGE003
。如果采用低通滤波进行平滑处理，对于原本处于中低频段的角度信号而言不可避免地会引入较大的相位延迟，因此在定位机动能力较强的目标时无法准确地解算出目标实时位置。此外，激光测距仪工作期间会发热，存在测距刷新周期长且不稳定的问题，也同样会造成无法准确解算目标的实时位置。因此，只对各传感器数据的简单滤波处理无法实现目标实时位置的准确估计。
发明内容
为解决以上问题，发明人通过长期的探索尝试以及多次的实验和努力，不断改革与创新，提出了一种基于图像跟踪与激光测距的无人机目标运动估计方法,本发明将无人机目标定位问题视为多传感器数据融合问题，而卡尔曼滤波可有效处理此类问题。本发明基于目标加速度的当前统计模型建立无人机与目标的相对运动数学模型，并利用扩展卡尔曼滤波（EKF）算法估计目标位置与速度，可实现目标位置与速度的实时高精度解算，且可在传感器故障时通过模型运算递推目标未来一段时间内的运动。
为实现上述目的，本发明所采用的技术方案是：一种基于图像跟踪与激光测距的无人机目标运动估计方法，首先采集数据并对数据进行预处理，然后基于目标加速度的当前统计模型建立扩展卡尔曼滤波算法的滤波模型，并利用扩展卡尔曼滤波解算目标位置与速度。
根据本发明所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其进一步地优选技术方案是：滤波模型是采用无人机与目标的二阶相对运动模型分为角度模型与距离模型作为滤波模型，状态变量选择为
Figure 40529DEST_PATH_IMAGE004
，
Figure 898764DEST_PATH_IMAGE005
，
其中，
Figure 838907DEST_PATH_IMAGE006
为角度滤波模型的状态变量，
Figure 985854DEST_PATH_IMAGE007
为距离滤波模型的状态变量，
Figure 810591DEST_PATH_IMAGE008
分别为视线系相对地面系的角速率在视线系y轴与z轴的分量，
Figure DEST_PATH_IMAGE009
、
Figure 133119DEST_PATH_IMAGE010
为视线方位角和视线高低角， 为目标加速度在视线系各轴的分量，
Figure 775322DEST_PATH_IMAGE012
为目标与无人机之间的相对距离，
Figure 206303DEST_PATH_IMAGE013
为相对距离的变化率。
根据本发明所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其进一步地优选技术方案是：角度模型与距离模型的模型形式为：
Figure 506835DEST_PATH_IMAGE014
，
Figure 480607DEST_PATH_IMAGE015
，
其中，为状态矩阵，
Figure 493879DEST_PATH_IMAGE017
为输入矩阵；
Figure 519473DEST_PATH_IMAGE018
为过程噪声，
Figure 206806DEST_PATH_IMAGE019
分别为框架系相对地面系的角速率在框架系各轴的分量；
Figure 738282DEST_PATH_IMAGE020
、
Figure 19221DEST_PATH_IMAGE021
、
Figure 100002_DEST_PATH_IMAGE022
为无人机加速度在视线系各轴的分量，目标在视线系下的当前加速度为
Figure 458293DEST_PATH_IMAGE023
为目标机动时间常数。
根据本发明所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其进一步地优选技术方案是：数据进行预处理包括对不同测距值来源的数据融合、吊舱伺服角度野值处理、无人机角速度与加速度的低通滤波处理；吊舱伺服角度野值处理是剔除数据中的跳点，使得处理之后数据是平滑的，由于实际测量的角速度和加速度高频噪声较大，这种信号是无法直接使用的，因此本发明通过低通滤波处理，将低频部分提取出来使用。
根据本发明所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其进一步地优选技术方案是：在数据采集后进行数据输入时考虑到测距仪输出的不稳定性，采用根据有效测距值来维护地表高度的方法补充EKF的距离输入源，此方法基于局部平地假设，即在目标当前位置的一定范围内目标所处高度不变。
根据本发明所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其进一步地优选技术方案是：测距丢失时采用局部平地假设维持当前地表高度用于计算备选距离数据源。
根据本发明所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其进一步地优选技术方案是：在进行数据预处理后，利用预处理后的传感器数据计算EKF滤波模型的模型参数与系统输入，并更新滤波模型中的状态方程与量测方程。
根据本发明所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其进一步地优选技术方案是：更新滤波模型中的状态方程与量测方程后再次进行EKF解算，依次更新一步预测量、新息、协方差、状态预测量，初次进入滤波器前应初始化滤波器。
根据本发明所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其进一步地优选技术方案是：采集数据包括读取目标偏离画面中心的像素偏差，读取光学传感器的视场角大小，并计算像素偏差对应的方位角和俯仰角偏差；读取吊舱伺服方位角度与俯仰角度；读取吊舱测距值；读取无人机姿态、速度、加速度、位置。
本发明相对现有技术的有益效果是：
本发明解决无人机利用光电吊舱（光电转台+激光测距仪）无法实现目标实时准确定位的问题，提出将目标定位问题视为多传感器数据融合问题，并基于目标加速度的当前统计模型利用扩展卡尔曼滤波实现目标运动状态实时估计。本发明提出的目标运动状态实时估计方法要求光电转台具备图像跟踪能力，定位方法适用于地（水）面静止目标或机动目标，可同时得到目标位置与速度信息。
本发明在定位机动能力较强的目标时，通过对传感器的不同测距值来源的数据融合、吊舱伺服角度野值处理、无人机角速度与加速度的低通滤波处理，从而能准确地解算出目标实时位置。
本发明在当激光测距仪工作发热期间，存在测距刷新周期长且不稳定时，通过采用根据有效测距值来维护地表高度的方法补充EKF的距离输入源，此方法基于局部平地假设，即在目标当前位置的一定范围内目标所处高度不变，这样就能准确解算目标的实时位置。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明基本原理图。
图2是无人机进行目标定位解算的流程。
图3是基于局部平地假设的距离输入估计流程。
图4、5是常规解算方法（EO）与本发明提出方法(EKF)对运动目标定位的误差对比。
图6是卡尔曼滤波得到目标运动速度估计误差示意图。
具体实施方式
为使本发明目的、技术方案和优点更加清楚，下面对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明的一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。
实施例
本实施例提供了一种基于图像跟踪与激光测距的无人机目标运动估计方法，该方法基于目标加速度的当前统计模型建立无人机与目标之间的相对运动数学模型，并利用扩展卡尔曼滤波(EKF)算法解算目标位置与速度。扩展卡尔曼滤波是一种基于模型的状态估计方法，常用于多传感器数据融合模型的状态估计，可有效处理弱非线性系统状态估计问题。该方法的基本原理如图1所示。
其中，无人机与目标的相对运动关系可通过视线高低角、视线方位角以及相对距离之间的关系建立，北东地坐标系下视线高低角
Figure DEST_PATH_IMAGE024
、视线方位角
Figure 121837DEST_PATH_IMAGE025
分别为
Figure DEST_PATH_IMAGE026
， （1）
其中，视线方向矢量
Figure 620951DEST_PATH_IMAGE027
为无人机姿态矩阵，
Figure 123608DEST_PATH_IMAGE028
为光电吊舱的视轴方向在无人机机体系下的表示，
Figure 631950DEST_PATH_IMAGE029
（2）
分别为吊舱视轴在无人机机体系下的俯仰角度与方位角度。
Figure 291787DEST_PATH_IMAGE031
可根据吊舱框架角、安装角、目标中心像素相对视场中心的角偏差计算得到。
考虑到目标的机动性，需要对目标速度进行估计，因此采用相对运动的二阶动态模型，模型中包含对目标加速度的估计，目标加速度可采用当前统计模型。相对运动的二阶动态模型可构造9维状态变量
Figure 406374DEST_PATH_IMAGE032
来建立，
，
Figure 47888DEST_PATH_IMAGE034
，
Figure 92067DEST_PATH_IMAGE035
（3）
其中，
Figure 959529DEST_PATH_IMAGE036
为角度滤波模型的状态变量， 为距离滤波模型的状态变量，、
Figure 520326DEST_PATH_IMAGE010
为视线方位角和视线高低角，
Figure 547188DEST_PATH_IMAGE038
分别为视线系相对地面系的角速率在视线系y轴与z轴的分量，
Figure 76389DEST_PATH_IMAGE039
为目标加速度在视线系各轴的分量。
Figure 505097DEST_PATH_IMAGE040
为目标与无人机之间的相对距离，
Figure 953395DEST_PATH_IMAGE041
为相对距离的变化率。
基于当前统计模型的无人机与目标相对运动二阶动态模型如公式(4)所示。
Figure 654504DEST_PATH_IMAGE042
，
Figure 784134DEST_PATH_IMAGE043
（4）
其中，为状态矩阵，为输入矩阵。
Figure 891264DEST_PATH_IMAGE046
为过程噪声，
Figure 824585DEST_PATH_IMAGE020
、
Figure 24623DEST_PATH_IMAGE021
、为无人机加速度在视线系各轴的分量，
Figure 431038DEST_PATH_IMAGE047
分别为框架系相对地面系的角速率在框架系各轴的分量。目标在视线系下的当前加速度为
Figure 964787DEST_PATH_IMAGE048
为目标机动时间常数。
无人机进行目标定位解算的流程如图2所示：
S1首先，在进入EKF解算前，需要对传感器数据进行预处理，包括不同测距值来源的数据融合、吊舱伺服角度野值处理、无人机角速度与加速度的低通滤波处理等。
S2考虑到测距仪输出的不稳定性，采用根据有效测距值来维护地表高度的方法补充EKF的距离输入源，此方法基于局部平地假设，即在目标当前位置的一定范围内目标所处高度不变。
S3其次，利用预处理后的传感器数据计算EKF滤波模型的模型参数与系统输入，并更新滤波模型中的状态方程与量测方程。
S4再次，进入EKF解算，依次更新一步预测量、新息、协方差、状态预测量。初次进入滤波器前应初始化滤波器。
S5最后，利用EKF输出的状态量以及无人机经纬高、速度计算目标相对位置、经纬高、速度。
其中在S2中，基于局部平地假设的距离输入估计流程如图3所示，首先获取无人机的飞行高度和姿态，然后将测距进行预处理，如果预处理有效则更新地表高度并进行低通滤波，如果预处理无效则通过模型计算相对高度和相对距离后再进行低通滤波，最后完成局部平地假设的距离输入。
本实施例具体操作时利用光电吊舱的图像跟踪功能，在稳定跟踪目标时根据吊舱的伺服角度、目标在画面中的像素点位置、激光测距值等测量数据通过扩展卡尔曼滤波解算目标位置与速度。具体实施步骤如下：
无人机处于飞行状态，并启动光电吊舱，假设光电吊舱支持单个目标的图像跟踪。
操作光电吊舱并选定目标，光电吊舱进入图像稳定跟踪模式，此模式下目标始终处于画面中心附近。
传感器数据读取：读取目标偏离画面中心的像素偏差，读取光学传感器的视场角大小，并计算像素偏差对应的方位角和俯仰角偏差；读取吊舱伺服方位角度与俯仰角度；读取吊舱测距值；读取无人机姿态、速度、加速度、位置。
数据预处理：对吊舱伺服角度剔除无效值；对激光测距值与距离估计值进行平滑滤波，对无人机姿态角速率、加速度采用低通滤波；
计算滤波模型参数及输入：计算视线角、相对距离。
进入卡尔曼滤波算法：更新滤波模型、更新一步预测、更新新息、更新状态输出。
计算输出：
计算目标相对无人机的位置，计算方法如下
Figure 222593DEST_PATH_IMAGE049
计算目标相对无人机的速度，计算方法如下
Figure 324541DEST_PATH_IMAGE050
本实施例选择固定翼无人机进行测试，在斜距约为550m的条件下，分别对地面随机运动车辆进行定位，通过对比车辆所记录的位置数据，得到常规解算方法（EO）与本发明提出方法(EKF)对运动目标定位的误差对比如图4、5所示。其中EO为常规解算方法得到的位置估计误差曲线，EKF为利用本发明得到的位置误差曲线。表1为定位的均方根误差统计情况，可见测试条件下本发明的定位精度比常规方法误差小约7m。
表 1 目标估计误差精度对比
Figure 35008DEST_PATH_IMAGE051
由测试结果可知无论是动态响应还是定位精度，本发明均要优于常规算的方法，在常规解算方法只能计算位置，不能计算速度，如果要算速度只能通过差分来算，因此更加复杂。通过卡尔曼滤波还可得到目标运动速度如图6所示，速度大小的估计误差为3.6m/s。此外，由于卡尔曼滤波是基于模型的状态估计算法，因此理论上可以在传感器测量故障时通过模型递推目标运动，这是其他方案所不具备的。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于图像跟踪与激光测距的无人机目标运动估计方法，其特征在于：采集数据并对数据进行预处理，基于目标加速度的当前统计模型建立扩展卡尔曼滤波算法的滤波模型，并利用扩展卡尔曼滤波解算目标位置与速度。
2.根据权利要求1所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其特征在于：滤波模型是采用无人机与目标的二阶相对运动模型分为角度模型与距离模型作为滤波模型，其状态变量选择为
，
Figure 560330DEST_PATH_IMAGE002
，
其中，
Figure 963629DEST_PATH_IMAGE003
为角度滤波模型的状态变量，
Figure 488152DEST_PATH_IMAGE004
为距离滤波模型的状态变量，、
Figure 386018DEST_PATH_IMAGE006
为视线方位角和视线高低角，分别为视线系相对地面系的角速率在视线系y轴与z轴的分量，
Figure 870406DEST_PATH_IMAGE008
为目标加速度在视线系各轴的分量，
Figure 33403DEST_PATH_IMAGE009
为目标与无人机之间的相对距离，
Figure 839684DEST_PATH_IMAGE010
为相对距离的变化率。
3.根据权利要求2所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其特征在于：角度模型与距离模型的模型形式为：
Figure 217576DEST_PATH_IMAGE011
，
，
其中，
Figure 484927DEST_PATH_IMAGE013
、
Figure 298162DEST_PATH_IMAGE014
为状态矩阵，
Figure 717511DEST_PATH_IMAGE015
、
Figure 223578DEST_PATH_IMAGE016
为输入矩阵；
Figure 970954DEST_PATH_IMAGE017
、
Figure 587881DEST_PATH_IMAGE018
为过程噪声，
Figure 346889DEST_PATH_IMAGE019
分别为框架系相对地面系的角速率在框架系各轴的分量；
Figure 86175DEST_PATH_IMAGE020
、、
Figure DEST_PATH_IMAGE022
为无人机加速度在视线系各轴的分量，目标在视线系下的当前加速度为
Figure 131677DEST_PATH_IMAGE023
为目标机动时间常数。
4.根据权利要求1所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其特征在于：数据进行预处理包括对不同测距值来源的数据融合、吊舱伺服角度野值处理、无人机角速度与加速度的低通滤波处理。
5.根据权利要求1所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其特征在于：在数据采集后进行数据输入时采用根据有效测距值来维护地表高度的方法补充EKF的距离输入源，此方法基于局部平地假设，即在目标当前位置的一定范围内目标所处高度不变。
6.根据权利要求5所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其特征在于：在数据输入时如果测距丢失，则采用局部平地假设维持当前地表高度用于计算备选距离数据源。
7.根据权利要求1所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其特征在于：在数据进行预处理后，利用预处理后的传感器数据计算EKF滤波模型的模型参数与系统输入，并更新滤波模型中的状态方程与量测方程。
8.根据权利要求7所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其特征在于：更新滤波模型中的状态方程与量测方程后再次进行EKF解算，依次更新一步预测量、新息、协方差、状态预测量，初次进入滤波器前应初始化滤波器。
9.根据权利要求1所述的一种基于图像跟踪与激光测距的无人机目标运动估计方法，其特征在于：采集数据包括读取目标偏离画面中心的像素偏差，读取光学传感器的视场角大小，并计算像素偏差对应的方位角和俯仰角偏差；读取吊舱伺服方位角度与俯仰角度；读取吊舱测距值；读取无人机姿态、速度、加速度、位置。
CN202010024541.3A 2020-01-10 2020-01-10 一种基于图像跟踪与激光测距的无人机目标运动估计方法 Pending CN110824453A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010024541.3A CN110824453A (zh) 2020-01-10 2020-01-10 一种基于图像跟踪与激光测距的无人机目标运动估计方法
CN202010939439.6A CN112229405B (zh) 2020-01-10 2020-09-09 一种基于图像跟踪与激光测距的无人机目标运动估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010024541.3A CN110824453A (zh) 2020-01-10 2020-01-10 一种基于图像跟踪与激光测距的无人机目标运动估计方法

Publications (1)

Publication Number Publication Date
CN110824453A true CN110824453A (zh) 2020-02-21

Family

ID=69546519

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010024541.3A Pending CN110824453A (zh) 2020-01-10 2020-01-10 一种基于图像跟踪与激光测距的无人机目标运动估计方法
CN202010939439.6A Active CN112229405B (zh) 2020-01-10 2020-09-09 一种基于图像跟踪与激光测距的无人机目标运动估计方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202010939439.6A Active CN112229405B (zh) 2020-01-10 2020-09-09 一种基于图像跟踪与激光测距的无人机目标运动估计方法

Country Status (1)

Country Link
CN (2) CN110824453A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112558051A (zh) * 2020-11-30 2021-03-26 湖南傲英创视信息科技有限公司 基于ukf的光电吊舱稳定平台被动测距方法
CN113076634A (zh) * 2021-03-24 2021-07-06 哈尔滨工业大学 一种多机协同无源定位方法、装置及系统
CN113141459A (zh) * 2020-10-16 2021-07-20 北京理工大学 一种无人机机载视觉智能处理系统及方法
CN113808161A (zh) * 2021-08-06 2021-12-17 航天时代飞鹏有限公司 基于机器视觉的车载多旋翼无人机车辆跟踪方法
CN114355974A (zh) * 2021-12-30 2022-04-15 重庆擎羚科技有限公司 基于卡尔曼滤波的虚拟力导向无人机编队抖动消除方法
CN114445467A (zh) * 2021-12-21 2022-05-06 贵州大学 基于视觉的四旋翼无人机特定目标识别与追踪系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003270338A (ja) * 2002-03-15 2003-09-25 Mitsubishi Electric Corp 目標追尾装置およびその方法
JP2008298738A (ja) * 2007-06-04 2008-12-11 Mitsubishi Electric Corp 目標追尾装置
CN103149939A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于视觉的无人机动态目标跟踪与定位方法
CN104597910A (zh) * 2014-11-27 2015-05-06 中国人民解放军国防科学技术大学 一种基于瞬时碰撞点的无人机非协作式实时避障方法
CN107300697A (zh) * 2017-06-07 2017-10-27 南京航空航天大学 基于无人机的运动目标ukf滤波方法
CN107450577A (zh) * 2017-07-25 2017-12-08 天津大学 基于多传感器的无人机智能感知系统和方法
CN108646237A (zh) * 2018-05-09 2018-10-12 西安电子科技大学 基于当前统计模型的雷达机动目标跟踪优化方法
CN109141427A (zh) * 2018-08-29 2019-01-04 上海理工大学 在非视距环境下基于距离和角度概率模型的ekf定位方法
CN109948523A (zh) * 2019-03-18 2019-06-28 中国汽车工程研究院股份有限公司 一种基于视频与毫米波雷达数据融合的目标物识别方法及其应用
CN110472553A (zh) * 2019-08-12 2019-11-19 北京易航远智科技有限公司 图像和激光点云融合的目标追踪方法、计算装置和介质
CN110609570A (zh) * 2019-07-23 2019-12-24 中国南方电网有限责任公司超高压输电公司天生桥局 一种基于无人机的自主避障巡检方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8825399B2 (en) * 2008-07-24 2014-09-02 Raytheon Company System and method of passive and autonomous navigation of space vehicles using an extended Kalman filter
CN106443661B (zh) * 2016-09-08 2019-07-19 河南科技大学 基于无迹卡尔曼滤波的机动扩展目标跟踪方法
CN107993257B (zh) * 2017-12-28 2020-05-19 中国科学院西安光学精密机械研究所 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统
CN108711163A (zh) * 2018-02-24 2018-10-26 中国人民解放军火箭军工程大学 一种基于多传感器的机器人未知环境目标跟踪方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003270338A (ja) * 2002-03-15 2003-09-25 Mitsubishi Electric Corp 目標追尾装置およびその方法
JP2008298738A (ja) * 2007-06-04 2008-12-11 Mitsubishi Electric Corp 目標追尾装置
CN103149939A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于视觉的无人机动态目标跟踪与定位方法
CN104597910A (zh) * 2014-11-27 2015-05-06 中国人民解放军国防科学技术大学 一种基于瞬时碰撞点的无人机非协作式实时避障方法
CN107300697A (zh) * 2017-06-07 2017-10-27 南京航空航天大学 基于无人机的运动目标ukf滤波方法
CN107450577A (zh) * 2017-07-25 2017-12-08 天津大学 基于多传感器的无人机智能感知系统和方法
CN108646237A (zh) * 2018-05-09 2018-10-12 西安电子科技大学 基于当前统计模型的雷达机动目标跟踪优化方法
CN109141427A (zh) * 2018-08-29 2019-01-04 上海理工大学 在非视距环境下基于距离和角度概率模型的ekf定位方法
CN109948523A (zh) * 2019-03-18 2019-06-28 中国汽车工程研究院股份有限公司 一种基于视频与毫米波雷达数据融合的目标物识别方法及其应用
CN110609570A (zh) * 2019-07-23 2019-12-24 中国南方电网有限责任公司超高压输电公司天生桥局 一种基于无人机的自主避障巡检方法
CN110472553A (zh) * 2019-08-12 2019-11-19 北京易航远智科技有限公司 图像和激光点云融合的目标追踪方法、计算装置和介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯志强等: ""基于雷达与图像信息融合的目标跟踪仿真研究"", 《系统仿真学报》 *
潘琢金等: ""无人机数据链传输时延建模及其补偿"", 《现代计算机》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113141459A (zh) * 2020-10-16 2021-07-20 北京理工大学 一种无人机机载视觉智能处理系统及方法
CN113141459B (zh) * 2020-10-16 2022-04-05 北京理工大学 一种无人机机载视觉智能处理系统及方法
CN112558051A (zh) * 2020-11-30 2021-03-26 湖南傲英创视信息科技有限公司 基于ukf的光电吊舱稳定平台被动测距方法
CN113076634A (zh) * 2021-03-24 2021-07-06 哈尔滨工业大学 一种多机协同无源定位方法、装置及系统
CN113808161A (zh) * 2021-08-06 2021-12-17 航天时代飞鹏有限公司 基于机器视觉的车载多旋翼无人机车辆跟踪方法
CN113808161B (zh) * 2021-08-06 2024-03-15 航天时代飞鹏有限公司 基于机器视觉的车载多旋翼无人机车辆跟踪方法
CN114445467A (zh) * 2021-12-21 2022-05-06 贵州大学 基于视觉的四旋翼无人机特定目标识别与追踪系统
CN114355974A (zh) * 2021-12-30 2022-04-15 重庆擎羚科技有限公司 基于卡尔曼滤波的虚拟力导向无人机编队抖动消除方法
CN114355974B (zh) * 2021-12-30 2023-08-22 重庆擎羚科技有限公司 基于卡尔曼滤波的虚拟力导向无人机编队抖动消除方法

Also Published As

Publication number Publication date
CN112229405A (zh) 2021-01-15
CN112229405B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN110824453A (zh) 一种基于图像跟踪与激光测距的无人机目标运动估计方法
CN109885080B (zh) 自主控制系统及自主控制方法
Weiss et al. Real-time onboard visual-inertial state estimation and self-calibration of MAVs in unknown environments
Schmid et al. Stereo vision and IMU based real-time ego-motion and depth image computation on a handheld device
Shen et al. Optical flow sensor/INS/magnetometer integrated navigation system for MAV in GPS-denied environment
WO2020253260A1 (zh) 时间同步处理方法、电子设备及存储介质
CN111156998A (zh) 一种基于rgb-d相机与imu信息融合的移动机器人定位方法
Omari et al. Metric visual-inertial navigation system using single optical flow feature
De Wagter et al. Towards vision-based uav situation awareness
JP2017524932A (ja) ビデオ支援着艦誘導システム及び方法
Andert et al. Optical-aided aircraft navigation using decoupled visual SLAM with range sensor augmentation
CN110736457A (zh) 一种基于北斗、gps和sins的组合导航方法
Li et al. Metric sensing and control of a quadrotor using a homography-based visual inertial fusion method
Miller et al. UAV navigation based on videosequences captured by the onboard video camera
Mostafa et al. Optical flow based approach for vision aided inertial navigation using regression trees
CN116952229A (zh) 无人机定位方法、装置、系统和存储介质
Xiaoqian et al. Nonlinear extended Kalman filter for attitude estimation of the fixed-wing UAV
Zahran et al. Augmented radar odometry by nested optimal filter aided navigation for UAVS in GNSS denied environment
WO2020219665A1 (en) System and method for navigating over water
Li et al. A homography-based visual inertial fusion method for robust sensing of a Micro Aerial Vehicle
Quan et al. State Estimation
CN115574816B (zh) 仿生视觉多源信息智能感知无人平台
Luo et al. An imu/visual odometry integrated navigation method based on measurement model optimization
CN108801248B (zh) 基于ukf的平面视觉惯性导航方法
Solodar et al. VIO-DualProNet: Visual-Inertial Odometry with Learning Based Process Noise Covariance

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200221

WD01 Invention patent application deemed withdrawn after publication