CN111811421A - 一种高速实时形变监测方法及系统 - Google Patents

一种高速实时形变监测方法及系统 Download PDF

Info

Publication number
CN111811421A
CN111811421A CN202010692902.1A CN202010692902A CN111811421A CN 111811421 A CN111811421 A CN 111811421A CN 202010692902 A CN202010692902 A CN 202010692902A CN 111811421 A CN111811421 A CN 111811421A
Authority
CN
China
Prior art keywords
measurement unit
relative pose
error
coordinate system
baseline
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.)
Granted
Application number
CN202010692902.1A
Other languages
English (en)
Other versions
CN111811421B (zh
Inventor
关棒磊
余英建
于起峰
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010692902.1A priority Critical patent/CN111811421B/zh
Publication of CN111811421A publication Critical patent/CN111811421A/zh
Application granted granted Critical
Publication of CN111811421B publication Critical patent/CN111811421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/18—Stabilised platforms, e.g. by gyroscope

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高速实时形变监测方法及系统。通过将高频、低误差的惯性传感器与低频、无偏置的基于视觉的相对姿态估计相融合输入到高效扩展卡尔曼滤波器(EKF)中，实现了两个像机‑惯性测量单元装置间相对位姿的高速实时估计。基于此对大型结构待监测点进行交会测量，将待监测点形变数据统一到指定的全局坐标系下，实现其形变自动监测。相比之前的方法，本发明提出的方法，测量设备成本低廉且测量精度高、频率高、速度快，具有重要的理论研究意义和广泛的应用前景。

Description

一种高速实时形变监测方法及系统
技术领域
本发明属于形变监测领域，尤其涉及一种高速实时形变监测方法及系统。
背景技术
大型结构的形变测量是其动态性能实验、质量检验和安全监测的关键一环，在实际中具有重要应用价值，例如，大型飞行器飞行试验过程中要求在线实时监测机体的形变。大型结构的形变测量主要面临以下问题：(1).由于大型结构自身及其周围地基随着时间推移或者外部施加作用下均可能存在变形，导致安装在其结构或周围地基上的双目像机之间的安装关系一直在变化，难以直接实施交会测量，故必须在形变监测过程中实时标定像机之间的安装关系；(2).大型结构的形变测量同时要求测量的频率高，采用高速像机的图像数据处理量大，对平台计算处理能力要求较高，而野外实验中监测平台通常计算能力有限。
目前，形变测量方法有接触式的和非接触等方法。接触式测量方法会对测量对象本身造成干扰，而且测量系统布置繁琐、测量点有限，无法满足对大型结构形貌和变形进行全场、高精度测量以及动态监测的需求。GPS形变监测虽能较好地解决这一问题，但是又具有较高成本和苛刻条件：如每个观测点都需要布设接收机天线；测量必须在GPS信号较好的条件下。非接触测量方法主要是摄影测量和摄像测量方法，国防科技大学于起峰院士提出的串联像机网络、串并联像机网络的测量方法，利用测量单元内部的固连约束和像机成像的几何约束关系，解算待测点在全局坐标系的动态形变数据，较好的解决了问题(1)，但是其测量需要用到多组像机增大了控制误差传递方面的挑战，而且测量频率受制于平台的处理能力。
发明内容
本发明要解决的技术问题是怎样在现有平台计算处理性能条件下，快速准确的在线对大型结构进行测量，提出了一种高速实时形变监测方法及系统。
为解决该问题，本发明所采用的技术方案是：
一种高速实时形变监测方法，包括以下步骤：
步骤1：根据大型结构形变监测的现场要求，设立像机-惯性测量单元装置对构成双目视觉测量，选取某一测量单元装置坐标系作为全局坐标系；
步骤2：所述测量单元装置对同步采集待测目标的图像、测量单元装置的姿态角和加速度信息作为测量数据；
步骤3：根据步骤2中同步采集的测量数据，以及所述测量单元装置安装初始时刻两组所述测量单元装置之间的相对位姿构建扩展卡尔曼滤波预测模型，实时估计出两组测量单元装置之间的相对位置和姿态；
步骤4：根据实时估计出的两组测量单元装置之间的相对位置和姿态，通过双目或者多目交会测量待测点在所述全局坐标系中的三维坐标，获得所有待测点在全局坐标系下的动态形变数据；
本发明还提供了一种高速实时形变监测系统，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有一种高速实时形变监测方法的程序，所述程序执行时实现上述方法的步骤。
与现有技术相比，本发明所取得的有益效果是:
本发明一种高速实时形变监测方法通过将高频、低方差的惯性传感器与低频、无偏置的基于视觉的相对姿态估计相融合输入到高效扩展卡尔曼滤波器(EKF)中，实现测量单元装置间相对位置和姿态的高速实时估计，在得到测量单元装置件的相对位置和姿态后，选择某一测量单元坐标系作为形变监测的全局坐标系，通过双目或多目像机交会测量待监测点在该全局坐标系中的三维位置，就可以获得大型结构的连续形变数据。
本发明通过将测量数据和先验知识构建扩展卡尔曼滤波预测模型，实时估计出两组测量单元装置之间的相对位置和姿态，因此只要两个测量装置的在满足视场覆盖监测范围的条件下位置选取不限。像机和惯性测量单元融合的高速实时形变监测方法可根据工程现场情况安装测量单元，实现大型结构待测量点形变的自动监测。
本发明由于使用的是两组测量单元装置之间的相对位置和姿态，利用惯性传感器的高频、低方差特点，实现了对大型结构形变的实时、高速、自动、高精度、长时间、连续测量，并且测量设备成本低且测量精度高，速度快。
附图说明
图1为高速实时的大型结构形变测量方法流程示意图；
图2为双目视觉测量示意图；
图3为高速实时形变测量方法工作场景直观图。
具体实施方式
下面给出本发明一种高速实时形变监测方法的具体实施例，以两个测量单元监测斜拉桥沉降为例，测量核心方法流程如图1所示，工作场景直观图如图3，具体包括以下步骤：
步骤1：根据大型结构形变监测的现场要求，设立像机-惯性测量单元装置对构成双目视觉测量，选取某一测量单元装置坐标系作为全局坐标系。本实施例中的像机-惯性测量单元装置，由像机和惯性测量单元组成。所述像机和惯性测量单元在组装时像机和惯性测量单元的位置应满足两个条件：便于标定计算；重心尽量靠近(增加安装的稳定性)。本实施例中的像机沿用了摄像测量学中的习惯，侧重于动态、实时的采集图像和测量，具体类型和型号可根据实际需要和采样频率来选定。惯性测量单元则为包含了三个单轴的加速度计和三个单轴的陀螺仪，可测量物体在三维空间中的角速度和加速度的装置，具体类型和型号可根据实际需要和采样频率来选定。
如图3所示，用于沉降测量的仪器设备包括两个像机-惯性测量单元1和1*、一个合作标志2-2，测量对象为斜拉桥2，不妨取P为其上具体一待测点2-1。坐标系包括全局坐标系3、合作标志坐标系4、测量单元坐标系5，注意本实例中全局坐标系与某一测量单元坐标系一致。所述像机-惯性测量单元1和1*均包含像机1-1和惯性测量单元1-2，其中像机和惯性测量单元的安装位置可以通过标定获得，之所以标定是因为如果随意安装往往会导致计算上不必要的复杂度。
步骤2：所述测量单元装置对同步采集待测目标的图像、测量单元装置的姿态角和加速度信息作为测量数据；
步骤3：根据步骤2中同步采集的测量数据，以及所述测量单元装置安装初始时刻两组所述测量单元装置之间的相对位姿构建扩展卡尔曼滤波预测模型，实时估计出两组测量单元装置之间的相对位置和姿态；
本实施例中构建扩展卡尔曼滤波预测模型的方法是：
1)建立状态向量x；
Figure BDA0002589975290000041
其中，ωi,i＝1,2表示第i个像机-惯性测量单元装置在其测量单元坐标系下的角速度；
ai,i＝1,2表示第i个像机-惯性测量单元装置在全局坐标系下的线性加速度；
Figure BDA0002589975290000042
表示两个像机-惯性测量单元装置之间的相对方位的旋转Hamilton四元数,其中第一个元素是实部，剩下的元素是虚部；
v表示两个像机-惯性测量单元装置之间的相对速度；
p表示两个像机-惯性测量单元装置之间的相对位置；
2)列出状态方程：
Figure BDA0002589975290000051
Figure BDA0002589975290000052
Figure BDA0002589975290000053
Figure BDA0002589975290000054
Figure BDA0002589975290000055
Figure BDA0002589975290000056
Figure BDA0002589975290000057
式中，
Figure BDA0002589975290000058
ω'1、ω'2、p'、v'、a'1、a'2分别表示
Figure BDA0002589975290000059
ω1、ω2、p、v、a1、a2对时间的导数；
假设角速度ω1,ω2和线性加速度a1,a2满足独立随机的零均值高斯分布，分别表示为
Figure BDA00025899752900000510
为了方便计算，角速度向量改写为
Figure BDA00025899752900000511
C表示对应四元数
Figure BDA00025899752900000512
的旋转矩阵，
Figure BDA00025899752900000513
表示斜对称矩阵。
3)误差的状态表示；根据状态向量x，则误差状态向量表示为：
Figure BDA00025899752900000514
则误差状态方程更新为：
Figure BDA00025899752900000515
Figure BDA00025899752900000516
Figure BDA00025899752900000517
Figure BDA00025899752900000518
Figure BDA00025899752900000519
Figure BDA00025899752900000520
Figure BDA00025899752900000521
其中
Figure BDA00025899752900000522
为
Figure BDA00025899752900000523
的旋转矩阵，
Figure BDA00025899752900000524
表示斜对称矩阵；
字母上面的点表示对时间的导数，
Figure BDA00025899752900000525
表示估计状态，Δ代表一个加性误差的误差状态，δθ表示
Figure BDA00025899752900000526
的误差；
4)预测状态协方差：
对于连续系统矩阵
Figure BDA0002589975290000061
Figure BDA0002589975290000062
对于噪声矩阵
Figure BDA0002589975290000063
其中
Figure BDA0002589975290000064
Figure BDA0002589975290000065
假设连续系统矩阵Fc在其积分区间连续，则给定时间变化量Δt有Fd＝exp(Δt·Fc)展开为
Figure BDA0002589975290000066
即Fd≈I+FcΔt，I为单位矩阵；
连续时间噪声协方差矩阵为
Figure BDA0002589975290000067
离散时间噪声协方差矩阵为：
Figure BDA0002589975290000068
则状态协方差更新为：
Figure BDA0002589975290000069
5)状态预测，基于上述公式，扩展卡尔曼滤波的状态预测推导结果为：
Figure BDA0002589975290000071
Figure BDA0002589975290000072
Figure BDA0002589975290000073
各符号中的下标k表示第k个时刻的估计值，k+1表示根据第k时刻的估计值所预测出的第k+1时刻的预测值，ai,k表示第i个像机-惯性测量单元装置在k时刻全局坐标系下的线性加速度，ωi,k表示表示第i个像机-惯性测量单元装置在其测量单元坐标系下的角速度。
本实施例中根据卡尔曼滤波预测模型进行实时估计两组测量单元装置之间的相对位姿的估计方法是：
步骤3.1：首先将所述测量单元装置安装的初始时刻，测量单元装置之间的相对位姿作为先验知识是已知的，通过测量惯性测量单元的姿态角和加速度信息得到测量单元装置相对位姿的测量值，用方向平移的单位向量p和表示旋转的四元数q表示；
步骤3.2：其次通过基于视觉的相对位姿估计，并融合基线的相对位姿变化误差得到测量单元装置之间融合基线和视觉的相对位姿估计值；
本实施例中基于视觉的相对位姿估计需要以下几个步骤：
步骤3.2.1：利用图像特征匹配算法在两幅影像中分别提取图像特征匹配点对；本实施例中使用的是SURF(Speeded Up Robust Features)等图像特征匹配算法进行提取。考虑到匹配的图像特征点对之间不可避免地存在误匹配点对，采用随机样本一致性RANSAC框架剔除图像误匹配点对。
步骤3.2.2：然后对提取的图像特征点对利用相对位姿估计算法确定两幅影像之间的相对位姿：表示方向平移的单位向量
Figure BDA0002589975290000074
和表示旋转的四元数
Figure BDA0002589975290000075
Figure BDA0002589975290000081
Figure BDA0002589975290000082
Figure BDA0002589975290000083
和
Figure BDA0002589975290000084
分别是基于视觉的相对姿态估计的平移方向估计值和旋转的四元数估计值，Δpv,
Figure BDA0002589975290000085
分别表示平移方向和旋转的四元数对应的测量误差；
旋转的四元数误差
Figure BDA0002589975290000086
以一个微小的角度δθv近似估计，则基于视觉的相对位姿
Figure BDA0002589975290000087
误差转换表示为一个六维向量
Figure BDA0002589975290000088
此误差近似用一个协方差为∑v的零均值高斯分布表示。
本实施例中基线的相对位姿变化量估计需要以下步骤：
建立基线模型：基于定标基线
Figure BDA0002589975290000089
和随机向量δT的概率误差模型得到基线模型；所述定标基线指的是两个测量单元装置之间初始时刻的基线相对位姿。
基线的旋转四元数表示为乘性误差
Figure BDA00025899752900000810
基线的相对位置表示为加性误差p＝pμ+Δp；
四元数
Figure BDA00025899752900000811
由一个小的角度δθ近似估计，则随机向量δT＝[δθT，ΔpT]T，随机向量δT的是零均值的，所以在EKF中，基线误差近似用协方差为∑c的零均值高斯分布表示：δT～N(0，Σc)，则协方差矩阵∑c为一个对角阵：
Figure BDA00025899752900000813
本实施例中，通过基于视觉的相对位姿估计，并融合基线的相对位姿误差得到测量单元装置之间融合基线和视觉的相对位姿估计方法是：
视觉估计表示为相对于定标基线的偏差
Figure BDA00025899752900000814
则
Figure BDA00025899752900000815
误差四元数
Figure BDA00025899752900000819
可由一个小的角度
Figure BDA00025899752900000816
近似估计。
通过融合获得最大后验估计
Figure BDA00025899752900000817
和
Figure BDA00025899752900000818
且获得的结果也是服从零均值高斯分布的。
基线误差的新的估计值表示为
Figure BDA0002589975290000091
由此融合视觉测量和定标基线的基线估计值
Figure BDA0002589975290000092
同样地，
Figure BDA0002589975290000093
可以用一个小的角度
Figure BDA0002589975290000094
近似。
将基于视觉的相对位姿估计值与基线的相对位姿误差的融合解释为EKF更新步骤，融合基线和视觉的相对位姿估计值和后验协方差矩阵如下:
Figure BDA0002589975290000095
Σf＝Σc-Σc(Σc+Σv)-1Σc
步骤3.3：最后将所述测量单元装置相对位姿的测量值和融合基线和视觉的相对位姿估计值融入到扩展卡尔曼滤波模型中，得到测量单元装置之间的相对位姿。
本发明通过将高频、低方差的惯性传感器与低频、无偏置的基于视觉的相对位姿估计相融合，即将视觉测量值与惯性测量单元的测量值输入到高效扩展卡尔曼滤波器(EKF)中，实现测量单元装置间相对位置和姿态的高速实时估计，在得到测量单元装置件的相对位置和姿态后，选择某一测量单元坐标系作为形变监测的全局坐标系，通过双目或多目像机交会测量待监测点在该全局坐标系中的三维位置，就可以获得大型结构的连续形变数据。
步骤4：根据实时估计出的两组测量单元装置之间的相对位置和姿态，通过双目或者多目交会测量待监测点(如图2所示)在所述全局坐标系中的三维坐标，获得所有待测点在全局坐标系下的动态形变数据。
当其中一个装置的坐标系(像机坐标系)为全局坐标系，另一个装置相对于前者的位置和姿态已测量出，根据坐标系的平移和旋转变换可得到其(另一装置)在全局坐标系下的位置和姿态。根据双目测量原理，两个测量装置的位置和姿态都已知的条件满足，即可测量出待测点在全局坐标系下的位置，并将连续测量结果统一到全局坐标系，最终实现对大型结构的实时高速形变测量。
在有合作标志的情况下，有了测量单元间的相对位置关系后，只要连续测量待测点数据，就可以得到连续形变数据。在缺少合作标志时，目标的坐标是相对于变化的全局坐标系的，测量的是相对某一个部位的相对形变数据。
此外，对于需要将大型结构形变测量结果统一到某一固定参考坐标系的应用场景，可选用任一测量单元中的像机观测安装在固定不动或安装在形变已知位置上的合作标志，通过上述扩展卡尔曼滤波预测模型实时估计该全局坐标系与合作标志参考坐标系之间的位姿关系，即可将表示在全局坐标系中的大型结构变形测量数据转换到合作标志参考坐标系中。这里所述的相机安装在位置固定不动位置上或安装在形变已知位置上合作标志是为了获得绝对的三维坐标，若没有合作标志，不影响最终的形变测量，只是获得的形变结果为相对值。
本实施例中的形变结果将以待测点三维位移的形式呈现。首先需要确定同名点，所述同名点既包括用于立体匹配的两个相机拍摄的两幅影像中的同名点，也包括用于时序匹配的时序同名点，求解同时刻的两幅影像中的同名点可以确定当前时刻待测点的三维坐标，求解时序上的同名点则可以确定单点的三维位移。。
根据初始时刻t0待测点P在左右相片中的图像坐标
Figure BDA0002589975290000101
我们可以计算得到P点在全局坐标系下的三维坐标
Figure BDA0002589975290000102
同理，在t1时刻我们可以得到P点的三维坐标
Figure BDA0002589975290000103
从而我们可以得到P点从t0到t1时刻的三维位移
Figure BDA0002589975290000104
以此类推，便可得到待测点连续的三维位移，即形变。
本发明通过将测量数据和先验知识构建扩展卡尔曼滤波预测模型，实时估计出两组测量单元装置之间的相对位置和姿态，因此只要两个测量装置的在满足视场覆盖监测范围的条件下位置选取不限。像机和惯性测量单元融合的高速实时形变监测方法可根据工程现场情况安装测量单元，实现大型结构待测量点形变的自动监测。
本发明可以在大型结构的各处均存在变形，由于使用的是两组测量单元装置之间的相对位置和姿态，利用惯性传感器的高频、低方差特点，实现了对大型结构形变的实时、高速、自动、高精度、长时间、连续测量。并且测量设备成本低且测量精度高，速度快。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种高速实时形变监测方法，其特征在于，包括以下步骤：
步骤1：根据大型结构形变监测的现场要求，设立像机-惯性测量单元装置对构成双目视觉测量，选取某一测量单元装置坐标系作为全局坐标系；
步骤2：所述测量单元装置对同步采集待测目标的图像、测量单元装置的姿态角和加速度信息作为测量数据；
步骤3：将所述测量数据输入到扩展卡尔曼滤波预测模型中，实时估计出两组测量单元装置之间的相对位姿；
步骤4：根据实时估计出的两组测量单元装置之间的相对位姿，通过双目或者多目交会测量待测点在所述全局坐标系中的三维坐标，获得所有待测点在全局坐标系下的动态形变数据。
2.根据权利要求1所述的方法，其特征在于，所述像机-惯性测量单元装置，由像机和惯性测量单元组成。
3.根据权利要求1所述的方法，其特征在于，所述扩展卡尔曼滤波预测模型为：
1)建立状态向量x；
Figure FDA0002589975280000011
其中，ωi,i＝1,2表示第i个像机-惯性测量单元装置在其测量单元坐标系下的角速度；
ai,i＝1,2表示第i个像机-惯性测量单元装置在全局坐标系下的线性加速度；
Figure FDA0002589975280000012
表示两个像机-惯性测量单元装置之间的相对方位的旋转Hamilton四元数,其中第一个元素是实部，剩下的元素是虚部；
v表示两个像机-惯性测量单元装置之间的相对速度；
p表示两个像机-惯性测量单元装置之间的相对位置；
2)列出状态方程：
Figure FDA0002589975280000021
Figure FDA0002589975280000022
Figure FDA0002589975280000023
Figure FDA0002589975280000024
Figure FDA0002589975280000025
Figure FDA0002589975280000026
Figure FDA0002589975280000027
式中，
Figure FDA0002589975280000028
ω'1、ω'2、p'、v'、a'1、a'2分别表示
Figure FDA0002589975280000029
ω1、ω2、p、v、a1、a2对时间的导数；
假设角速度ω1,ω2和线性加速度a1,a2满足独立随机的零均值高斯分布，分别表示为
Figure FDA00025899752800000210
为了方便计算，角速度向量改写为
Figure FDA00025899752800000211
C表示对应四元数
Figure FDA00025899752800000212
的旋转矩阵，
Figure FDA00025899752800000213
表示斜对称矩阵。
3)误差的状态表示；根据状态向量x，则误差状态向量表示为：
Figure FDA00025899752800000214
则误差状态方程更新为：
Figure FDA00025899752800000215
Figure FDA00025899752800000216
Figure FDA00025899752800000217
Figure FDA00025899752800000218
Figure FDA00025899752800000219
Figure FDA00025899752800000220
Figure FDA00025899752800000221
其中
Figure FDA00025899752800000222
为
Figure FDA00025899752800000223
的旋转矩阵，
Figure FDA00025899752800000224
表示估计状态，Δ代表一个加性误差的误差状态，δθ表示
Figure FDA00025899752800000225
的误差；
4)预测状态协方差：
对于连续系统矩阵
Figure FDA0002589975280000031
Figure FDA0002589975280000032
Figure FDA0002589975280000033
表示斜对称矩阵；
对于噪声矩阵
Figure FDA0002589975280000034
其中
Figure FDA0002589975280000035
Figure FDA0002589975280000036
假设连续系统矩阵Fc在其积分区间连续，则给定时间变化量Δt有Fd＝exp(Δt·Fc)展开为
Figure FDA0002589975280000037
即Fd≈I+FcΔt，I为单位矩阵；
连续时间噪声协方差矩阵为
Figure FDA0002589975280000038
离散时间噪声协方差矩阵为：
Figure FDA0002589975280000039
则状态协方差更新为：
Figure FDA00025899752800000310
5)状态预测，基于上述公式，扩展卡尔曼滤波的状态预测推导结果为：
Figure FDA0002589975280000041
Figure FDA0002589975280000042
Figure FDA0002589975280000043
各符号中的下标k表示第k个时刻的估计值，k+1表示根据第k时刻的估计值所预测出的第k+1时刻的预测值，ai,k表示第i个像机-惯性测量单元装置在k时刻全局坐标系下的线性加速度，ωi,k表示表示第i个像机-惯性测量单元装置在其测量单元坐标系下的角速度。
4.根据权利要求2所述的方法，其特征在于，步骤3中根据卡尔曼滤波预测模型进行实时估计两组测量单元装置之间的相对位姿的估计方法是：
步骤3.1：将所述测量单元装置安装的初始时刻，测量单元装置之间的相对位姿作为先验知识是已知的，通过测量惯性测量单元的姿态角和加速度信息得到测量单元装置相对位姿的测量值，用方向平移的单位向量p和表示旋转的四元数q表示；
步骤3.2：通过基于视觉的相对位姿估计，并融合基线的相对位姿变化误差得到测量单元装置之间融合基线和视觉的相对位姿估计值；
步骤3.3：将所述测量单元装置相对位姿的测量值和融合基线和视觉的相对位姿估计值融入到扩展卡尔曼滤波模型中，得到测量单元装置之间的相对位姿。
5.根据权利要求3所述的方法，其特征在于，步骤3.2中融合基线和视觉的相对位姿估计方法为：
步骤3.2.1：首先利用图像特征匹配算法在两幅影像中分别提取图像特征匹配点对；
步骤3.2.2：然后对提取的所述图像特征匹配点对利用相对位姿估计算法确定两幅影像之间的相对位姿：表示方向平移的单位向量
Figure FDA0002589975280000044
和表示旋转的四元数
Figure FDA0002589975280000045
Figure FDA0002589975280000051
Figure FDA0002589975280000052
Figure FDA0002589975280000053
和
Figure FDA0002589975280000054
分别是基于视觉的相对姿态估计的平移方向估计值和旋转的四元数估计值，Δpv,
Figure FDA0002589975280000055
分别表示平移方向和旋转的四元数对应的测量误差；
以一个微小的角度δθv为步长逼近误差四元数
Figure FDA0002589975280000056
则基于视觉的相对位姿
Figure FDA0002589975280000057
误差转换表示为一个六维向量
Figure FDA0002589975280000058
此误差近似用一个协方差为∑v的零均值高斯分布表示；
步骤3.2.3：建立基线模型：基于定标基线
Figure FDA0002589975280000059
和随机向量δT的概率误差模型得到基线模型；所述定标基线指的是两个测量单元装置之间初始时刻的基线相对位姿；
基线的旋转四元数表示为乘性误差
Figure FDA00025899752800000510
基线的相对位置表示为加性误差p＝pμ+Δp；
四元数
Figure FDA00025899752800000511
由一个小的角度δθ近似估计，则随机向量δT＝[δθT,ΔpT]T，随机向量δTμ的是零均值的，所以在EKF中，基线误差近似用协方差为∑c的零均值高斯分布表示：δT～N(0，Σc)，则协方差矩阵∑c为一个对角阵：
Figure FDA00025899752800000512
步骤3.2.4：将视觉估计表示为相对于定标基线的偏差
Figure FDA00025899752800000513
则
Figure FDA00025899752800000514
Figure FDA00025899752800000515
误差四元数
Figure FDA00025899752800000516
由一个小的角度δθ近似估计；
步骤3.2.5：通过融合获得最大后验估计
Figure FDA00025899752800000517
和
Figure FDA00025899752800000518
且获得的结果也是服从零均值高斯分布的，基线误差的新的估计值表示为
Figure FDA00025899752800000519
由此融合视觉测量和定标基线的基线估计值
Figure FDA00025899752800000520
Figure FDA00025899752800000521
用一个小的角度
Figure FDA00025899752800000522
近似；
步骤3.2.6：将基于视觉的相对位姿测量值与基线的相对位姿误差的融合解释为EKF更新步骤，融合基线和视觉的相对位姿估计值和后验协方差矩阵如下:
Figure FDA0002589975280000061
。
6.根据权利要求4所述的方法，其特征在于：在进行特征匹配时，采用随机样本一致性RANSAC框架剔除图像误匹配点对。
7.根据权利要求5所述的方法，其特征在于：所述像机和惯性测量单元在组装时像机和惯性测量单元的位置应满足两个条件：便于标定计算；重心尽量靠近。
8.根据权利要求3所述的方法，其特征在于：对于需要将大型结构形变测量结果统一到某一固定参考坐标系的应用场景，选用任一测量单元中的像机观测安装在固定不动或形变已知位置上的合作标志，通过实时估计该全局坐标系与合作标志参考坐标系之间的位姿关系，即可将表示在全局坐标系中的大型结构变形测量数据转换到合作标志参考坐标系中。
9.根据权利要求2所述的方法，其特征在于：所述惯性测量单元包含了三个单轴的加速度计和三个单轴的陀螺，用于测量物体在三维空间中的角速度和加速度。
10.一种高速实时形变监测系统，其特征在于，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有一种高速实时形变监测方法的程序，所述程序执行时实现上述权利要求1～9任一项所述方法的步骤。
CN202010692902.1A 2020-07-17 2020-07-17 一种高速实时形变监测方法及系统 Active CN111811421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010692902.1A CN111811421B (zh) 2020-07-17 2020-07-17 一种高速实时形变监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010692902.1A CN111811421B (zh) 2020-07-17 2020-07-17 一种高速实时形变监测方法及系统

Publications (2)

Publication Number Publication Date
CN111811421A true CN111811421A (zh) 2020-10-23
CN111811421B CN111811421B (zh) 2021-09-03

Family

ID=72866619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010692902.1A Active CN111811421B (zh) 2020-07-17 2020-07-17 一种高速实时形变监测方法及系统

Country Status (1)

Country Link
CN (1) CN111811421B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113503825A (zh) * 2021-05-31 2021-10-15 北京卫星制造厂有限公司 一种运动态结构变形视觉测量方法
CN115218804A (zh) * 2022-07-13 2022-10-21 长春理工大学中山研究院 一种大型构件多源系统融合测量方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680522A (zh) * 2015-02-09 2015-06-03 浙江大学 基于智能手机前后摄像头同时工作的视觉定位方法
CN105931275A (zh) * 2016-05-23 2016-09-07 北京暴风魔镜科技有限公司 基于移动端单目和imu融合的稳定运动跟踪方法和装置
US20180031387A1 (en) * 2016-07-29 2018-02-01 Carnegie Mellon University State estimation for aerial vehicles using multi-sensor fusion
US20180190014A1 (en) * 2017-01-03 2018-07-05 Honeywell International Inc. Collaborative multi sensor system for site exploitation
CN109341724A (zh) * 2018-12-04 2019-02-15 中国航空工业集团公司西安航空计算技术研究所 一种机载相机-惯性测量单元相对位姿在线标定方法
CN109540033A (zh) * 2019-01-14 2019-03-29 吉林大学 闭环一致双目主动视觉汽车形貌全局自由重建系统与方法
CN109709537A (zh) * 2018-12-19 2019-05-03 浙江大学 一种基于卫星编队的非合作目标位置速度跟踪方法
CN110332894A (zh) * 2019-07-10 2019-10-15 中国地质大学（武汉） 一种基于双目视觉的坝体表面位移非接触性测量方法
CN111043984A (zh) * 2020-01-09 2020-04-21 深圳大学 隧道三维变形监测方法及相关装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680522A (zh) * 2015-02-09 2015-06-03 浙江大学 基于智能手机前后摄像头同时工作的视觉定位方法
CN105931275A (zh) * 2016-05-23 2016-09-07 北京暴风魔镜科技有限公司 基于移动端单目和imu融合的稳定运动跟踪方法和装置
US20180031387A1 (en) * 2016-07-29 2018-02-01 Carnegie Mellon University State estimation for aerial vehicles using multi-sensor fusion
US20180190014A1 (en) * 2017-01-03 2018-07-05 Honeywell International Inc. Collaborative multi sensor system for site exploitation
CN109341724A (zh) * 2018-12-04 2019-02-15 中国航空工业集团公司西安航空计算技术研究所 一种机载相机-惯性测量单元相对位姿在线标定方法
CN109709537A (zh) * 2018-12-19 2019-05-03 浙江大学 一种基于卫星编队的非合作目标位置速度跟踪方法
CN109540033A (zh) * 2019-01-14 2019-03-29 吉林大学 闭环一致双目主动视觉汽车形貌全局自由重建系统与方法
CN110332894A (zh) * 2019-07-10 2019-10-15 中国地质大学（武汉） 一种基于双目视觉的坝体表面位移非接触性测量方法
CN111043984A (zh) * 2020-01-09 2020-04-21 深圳大学 隧道三维变形监测方法及相关装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BANGLEI GUAN等: "Self-calibration approach to stereo cameras with radial distortion based on epipolar constraint", 《APPLIED OPTICS》 *
邱伟等: "基于双目视觉的相对状态自主确定", 《上海航天》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113503825A (zh) * 2021-05-31 2021-10-15 北京卫星制造厂有限公司 一种运动态结构变形视觉测量方法
CN113503825B (zh) * 2021-05-31 2023-02-03 北京卫星制造厂有限公司 一种运动态结构变形视觉测量方法
CN115218804A (zh) * 2022-07-13 2022-10-21 长春理工大学中山研究院 一种大型构件多源系统融合测量方法

Also Published As

Publication number Publication date
CN111811421B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN109991636B (zh) 基于gps、imu以及双目视觉的地图构建方法及系统
US20210012520A1 (en) Distance measuring method and device
CN107014371A (zh) 基于扩展自适应区间卡尔曼的无人机组合导航方法与装置
CN111288989B (zh) 一种小型无人机视觉定位方法
CN112987065B (zh) 一种融合多传感器的手持式slam装置及其控制方法
US10895458B2 (en) Method, apparatus, and system for determining a movement of a mobile platform
CN110211151B (zh) 一种运动物体的追踪方法和装置
CN109238277B (zh) 视觉惯性数据深度融合的定位方法及装置
CN110296702A (zh) 视觉传感器与惯导紧耦合的位姿估计方法及装置
US10401175B2 (en) Optical inertial measurement apparatus and method
CN108444468B (zh) 一种融合下视视觉与惯导信息的定向罗盘
CN111811421B (zh) 一种高速实时形变监测方法及系统
CN112967392A (zh) 一种基于多传感器触合的大规模园区建图定位方法
CN114608554B (zh) 一种手持slam设备以及机器人即时定位与建图方法
KR101737950B1 (ko) 지형참조항법에서 영상 기반 항법해 추정 시스템 및 방법
CN104848861A (zh) 一种基于图像消失点识别技术的移动设备姿态测量方法
CN113701750A (zh) 一种井下多传感器的融合定位系统
Xian et al. Fusing stereo camera and low-cost inertial measurement unit for autonomous navigation in a tightly-coupled approach
CN110720113A (zh) 一种参数处理方法、装置及摄像设备、飞行器
CN117710476A (zh) 基于单目视觉的无人机位姿估计与稠密建图方法
CN110136168B (zh) 一种基于特征点匹配和光流法的多旋翼速度测量方法
Sikeridis et al. An imu-based wearable system for automatic pointing during presentations
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
Mirisola et al. Trajectory recovery and 3d mapping from rotation-compensated imagery for an airship
WO2022179047A1 (zh) 一种状态信息估计方法及装置

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