CN112268548B - 一种基于双目视觉的飞机局部外形测量方法 - Google Patents

一种基于双目视觉的飞机局部外形测量方法 Download PDF

Info

Publication number
CN112268548B
CN112268548B CN202011461679.6A CN202011461679A CN112268548B CN 112268548 B CN112268548 B CN 112268548B CN 202011461679 A CN202011461679 A CN 202011461679A CN 112268548 B CN112268548 B CN 112268548B
Authority
CN
China
Prior art keywords
target point
trolley
points
coordinates
time
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
CN202011461679.6A
Other languages
English (en)
Other versions
CN112268548A (zh
Inventor
隋少春
朱绪胜
刘蕾
杨林志
陈洪宇
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.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group 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 Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202011461679.6A priority Critical patent/CN112268548B/zh
Publication of CN112268548A publication Critical patent/CN112268548A/zh
Application granted granted Critical
Publication of CN112268548B publication Critical patent/CN112268548B/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
    • G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
    • 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
    • G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • G06T2207/30208—Marker matrix

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于双目视觉的飞机局部外形测量方法，使用AGV小车搭载双目相机，在测量区域对应黏贴反光标志点，且标志点包括靶标点和编码点，所述编码点含有编号信息，用于确定周围靶标点与其对应关系；双目相机拍摄完图片后，根据图片中匹配好的编码点信息，通过ICP算法完成左右图像中待测靶标点的匹配，根据双目视觉原理，计算出各靶标点在相机坐标系下的坐标，并将其变换到相对于AGV小车系统固定的坐标系下，更新校正AGV小车位姿。本发明通过AGV小车搭载双目相机，对大尺寸范围下飞机局部外形区域大量靶标点进行精确测量，自动修正AGV小车位姿，具有自动化功能，降低干涉，有助于提高检测效率。

Description

一种基于双目视觉的飞机局部外形测量方法
技术领域
本发明属于数字化测量的技术领域，具体涉及一种基于双目视觉的飞机局部外形测量方法。
背景技术
当前航空制造业正不断向数字化、信息化发展，随着飞机性能要求的不断提升，航空产品制造过程中的质量把控越来越重要，传统的生产模式和测量方法已不足以满足新形势下航空产品的生产需求。因此，应用具备测量精度高，测量数据管理便捷，特征涵盖范围大等优点的数字化测量技术，优化提升产品质量与性能，是当前航空制造业升级转型发展的重要内容。
在飞机制造过程中，飞机大型零部件生产与装配是较为重要的环节之一，传统生产方法中，常采用测量产品表面大量离散点坐标值的方式，来衡量大型零部件的制造质量。例如，使用激光跟踪仪对零部件表面进行采样检测。在一定范围内，激光跟踪仪具有较高精度，但实际使用时，需要对激光跟踪仪进行建站或转站等工作，还需要操作人员手持靶球进行测点采集，效率较低。使用一种更为高效，且能够在较大范围下精确测量飞机外形的方法，已成为飞机制造环节数字化检测的迫切需求之一。
发明内容
本发明的目的在于提供一种基于双目视觉的飞机局部外形测量方法，通过AGV小车搭载双目相机，对大尺寸范围下飞机局部外形区域大量靶标点进行精确测量，自动修正AGV小车位姿，具有自动化功能，降低干涉，有助于提高检测效率。
本发明主要通过以下技术方案实现：
一种基于双目视觉的飞机局部外形测量方法，使用AGV小车搭载双目相机，在测量区域对应黏贴反光标志点，且标志点包括靶标点和编码点，所述编码点含有编号信息，用于确定周围靶标点与其对应关系；包括以下步骤：
步骤S100：若双目相机观测到新的靶标点则进行靶标点初始化；
步骤S200：根据系统控制信号u对系统状态预测得到AGV小车位姿、靶标点坐标；
步骤S300：采用双目相机进行实际图像采集并进行观测值计算，拍摄得到实际采集的靶标点；
步骤S400：结合步骤S200中的预测的AGV小车位姿、靶标点坐标以及步骤S300中实际采集的靶标点，并基于自适应卡尔曼滤波方法更新AGV小车位姿以及靶标点坐标；
在双目相机的左、右相机拍摄完左、右图像后，根据图片中匹配好的编码点信息，通过ICP算法完成双目相机的左、右相机采集的左、右图像中待测靶标点的匹配，根据双目视觉原理，计算出各靶标点在相机坐标系下的坐标，并将其变换到相对于AGV小车系统固定的坐标系下，以更新校正AGV小车位姿；
设AGV小车坐标系与左侧相机坐标系重合，则在k时刻，AGV小车的运动模型为：
Figure DEST_PATH_IMAGE002
其中：
Figure DEST_PATH_IMAGE003
为控制信号，控制小车的速度和转向角；
θ表示小车方位角，L为小车轴距，
Figure DEST_PATH_IMAGE004
为小车转向角，dt为时间的微分；
AGV小车的运动按时域划分，每一次执行控制指令的过程视为一个时刻，k时刻即第k次执行指令的时候；
在k时刻的小车方位角为θ k ，且小车转向角分别为
Figure DEST_PATH_IMAGE005
；
在k-1时刻的小车方位角为
Figure DEST_PATH_IMAGE006
；
在k时刻以及k-1时刻时，AGV小车的x方向的坐标分别为xk、xk-1，且y方向的坐标分别为：yk、yk-1；
u k 为在k时刻的控制信号；
AGV小车的移动速度v k和转向角
Figure DEST_PATH_IMAGE007
由k时刻的控制信号u k 决定。
世界坐标系应是固定不动的，世界坐标系可根据需要另行建立，不应建立在移动的小车系统中。
本发明在使用过程中，所述双目相机通过升降平台安装在AGV小车上实现对带测量区域的检测。测量前，需要在待测量区域粘贴反光标志点，标志点包括靶标点和编码点，编码点含有编号信息，可用于确定周围靶标点与其相对关系。如图1所示，设图中黑色的点为编码点，白色的点为靶标点。
本发明通过规划控制升降平台和AGV小车，将双目相机移动到检测位置，完成图像拍摄。使用自适应卡尔曼滤波算法，对拍摄到的靶标点坐标进行维护，实现坐标高精度计算。所使用的双目相机事先已进行过标定，设双目相机中，右侧相机相对于左侧相机的旋转矩阵为R，平移向量为T。本发明通过双目相机采集靶标点与标定点，一方面用于重构物体外形，另一方面通过将各靶标点变换到相对于AGV小车系统固定的坐标系下，校正AGV小车的测量路线，降低复杂环境的干涉，提高测量的精度。
为了更好地实现本发明，进一步地，在步骤S400中，对于初次观测到的靶标点，使用自适应卡尔曼滤波算法将靶标点信息添加到联合状态序列中，并更新对应协方差；当双目相机在不同摄站进行拍摄时，根据图像采集的观测信息以及协方差信息，通过自适应卡尔曼滤波方法完成靶标点坐标值的计算与更新。
为了更好地实现本发明，进一步地，设在k时刻，小车位姿与靶标点坐标联合状态向量为
Figure DEST_PATH_IMAGE008
，且
Figure DEST_PATH_IMAGE009
，协方差为
Figure DEST_PATH_IMAGE010
，其中
Figure DEST_PATH_IMAGE011
表示各靶标点坐标，根据控制信号u预测系统先验状态向量：
Figure DEST_PATH_IMAGE013
状态转移方程F为：
Figure DEST_PATH_IMAGE014
根据状态转移方程F计算传递后的协方差：
Figure DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE016
表示小车的运动模型；
Figure DEST_PATH_IMAGE017
表示k时刻小车的后验位姿估计值；
Figure DEST_PATH_IMAGE018
表示对k时刻小车位姿的先验估计值；
Figure DEST_PATH_IMAGE019
表示对k-1时刻小车位姿的后验估计值；
Figure DEST_PATH_IMAGE020
表示k时刻靶标点的先验估计值；
Figure DEST_PATH_IMAGE021
表示k-1时刻，已观测到的所有靶标点的后验估计值；
Figure DEST_PATH_IMAGE022
为噪声干扰参数；
Figure DEST_PATH_IMAGE023
是对k时刻状态量求导所得的雅克比矩阵，
Figure DEST_PATH_IMAGE024
表示k时刻的先验协方差估计矩阵，
Figure DEST_PATH_IMAGE025
表示k-1时刻的后验协方差估计矩阵；
Figure DEST_PATH_IMAGE026
为观测模型观测误差服从的高斯分布的协方差矩阵；
上标T表示矩阵转置。
协方差为n×n的矩阵，n为
Figure DEST_PATH_IMAGE027
的行数，
Figure 355282DEST_PATH_IMAGE027
的表达为本领域的公知常识，故不再赘述。
m为靶标点向量，用于表示所有已知靶标点空间坐标。
Figure DEST_PATH_IMAGE028
是状态转移函数对k-1时刻状态量求导所得的雅克比矩阵。
Figure DEST_PATH_IMAGE029
表示k时刻的先验协方差估计矩阵，
Figure 475685DEST_PATH_IMAGE025
表示k-1时刻的后验协方差估计矩阵。
Figure DEST_PATH_IMAGE030
为噪声干扰。
Figure DEST_PATH_IMAGE031
为增广观测函数。
Figure DEST_PATH_IMAGE032
表示状态转移函数对状态量X求导所得的雅克比矩阵。
为了更好地实现本发明，进一步地，如果经过观测，图片中同时存在已经观测到的靶标点和新的靶标点，则根据相机观测模型，计算预测值与实际值的残差：
Figure DEST_PATH_IMAGE033
其中，
设已观测到的靶标点编号为i，新观测到的靶标点编号为j，
h为观测函数，
Figure DEST_PATH_IMAGE034
为经观测函数计算出的第i个靶标点坐标预测值，
Figure DEST_PATH_IMAGE035
为使用相机系统测量出的靶标点读数值；
Figure DEST_PATH_IMAGE036
表示对k时刻小车位姿的先验估计值；
Figure DEST_PATH_IMAGE037
表示k-1时刻，已观测到的靶标点的后验估计值；
Figure DEST_PATH_IMAGE038
表示靶标点i的测量值与预测值之间的误差，亦称为新息；
以下使用自适应卡尔曼滤波算法求取系统后验概率密度估计，令：
Figure DEST_PATH_IMAGE039
求出自适应渐消因子
Figure DEST_PATH_IMAGE040
：
Figure DEST_PATH_IMAGE041
根据
Figure DEST_PATH_IMAGE042
调整计算系统先验协方差估计值：
Figure DEST_PATH_IMAGE043
再计算卡尔曼增益：
Figure DEST_PATH_IMAGE044
最后，完成系统后验概率分布计算，更新所有已观测到的靶标点坐标信息：
Figure DEST_PATH_IMAGE045
其中：
Figure DEST_PATH_IMAGE046
均为中间过程参数；
Figure DEST_PATH_IMAGE047
是由观测函数分别对小车状态和第i个靶标点求导所组成的矩阵；
Figure DEST_PATH_IMAGE048
为中间过程参数，表示k时刻的观测新息之间的期望；
Figure DEST_PATH_IMAGE049
为中间过程参数，表示k-1时刻的观测新息之间的期望；
Figure DEST_PATH_IMAGE050
表示靶标点测量值与预测值之间的误差，亦称为新息；
tr( )表示矩阵的取迹运算；
Figure DEST_PATH_IMAGE051
为自适应渐消因子；
Figure DEST_PATH_IMAGE052
为控制误差服从的高斯分布的协方差矩阵；
Figure DEST_PATH_IMAGE053
为新息协方差矩阵；
Figure DEST_PATH_IMAGE054
为卡尔曼增益；
上标T表示矩阵转置。
为了更好地实现本发明，进一步地，对于新观测到的靶标点，计算新观测到靶标点的全局坐标：
Figure DEST_PATH_IMAGE055
Figure DEST_PATH_IMAGE057
其中，
Figure DEST_PATH_IMAGE058
表示新观测到的第j个靶标点向量；
Figure DEST_PATH_IMAGE059
表示新观测到的第j个靶标点的信息；
Figure DEST_PATH_IMAGE060
为观测函数逆函数，用于将新观测到的靶标点坐标转换到规定的全局坐标系下；
Figure DEST_PATH_IMAGE061
表示小车位姿的自协方差，
Figure DEST_PATH_IMAGE062
表示小车位姿与靶标点坐标之间的互协方差；
Figure DEST_PATH_IMAGE063
表示靶标点坐标的自协方差；
Figure DEST_PATH_IMAGE064
为观测函数逆函数对小车状态的偏导数；
Figure DEST_PATH_IMAGE065
为靶标点的偏导数；
Figure DEST_PATH_IMAGE066
为观测噪声协方差矩阵；
最后将新靶标点坐标添加到系统状态向量中：
Figure DEST_PATH_IMAGE067
至此，完成基于自适应卡尔曼滤波方法的靶标点坐标值的计算与更新。
Figure DEST_PATH_IMAGE068
表示靶标点与小车之间的距离和方位角。
进一步地，重复步骤S100-步骤S400直到不再控制小车移动或给出终止信号停止。
本发明的有益效果：
（1）本发明通过AGV小车搭载双目相机，对大尺寸范围下飞机局部外形区域大量靶标点进行精确测量，自动修正AGV小车位姿，具有自动化功能，降低干涉，有助于提高检测效率。
（2）本发明通过规划控制升降平台和AGV小车，将双目相机移动到检测位置，完成图像拍摄。使用自适应卡尔曼滤波算法，对拍摄到的靶标点坐标进行维护，实现坐标高精度计算。
（3）本发明通过将各靶标点变换到相对于AGV小车系统固定的坐标系下，并通过自适应卡尔曼滤波方法完成靶坐标点坐标值的计算与更新，实现对AGV小车位姿的精确修正，精确导航，降低干涉。
附图说明
图1为飞机局部外形测量示意图；
图2为AGV小车运动模型示意图；
图3为靶标点测量流程示意图。
具体实施方式
实施例1：
一种基于双目视觉的飞机局部外形测量方法，如图1所示，使用AGV小车搭载双目相机，在测量区域对应黏贴反光标志点，且标志点包括靶标点和编码点，所述编码点含有编号信息，用于确定周围靶标点与其对应关系；包括以下步骤：
步骤S100：若双目相机观测到新的靶标点则进行靶标点初始化；
步骤S200：根据系统控制信号u对系统状态预测得到AGV小车位姿、靶标点坐标；
步骤S300：采用双目相机进行实际图像采集并进行观测值计算，拍摄得到实际采集的靶标点；
步骤S400：结合步骤S200中的预测的AGV小车位姿、靶标点坐标以及步骤S300中实际采集的靶标点，并基于自适应卡尔曼滤波方法更新AGV小车位姿以及靶标点坐标；
在双目相机拍摄完图片后，根据图片中匹配好的编码点信息，通过ICP算法完成左右图像中待测靶标点的匹配，根据双目视觉原理，计算出各靶标点在相机坐标系下的坐标，并将其变换到相对于AGV小车系统固定的坐标系下，以更新校正AGV小车位姿；
如图2所示，设AGV小车坐标系与左侧相机坐标系重合，则在k时刻，AGV小车的运动模型为：
Figure DEST_PATH_IMAGE070
其中：
u为控制信号，控制小车的速度和转向角；
θ表示小车方位角，L为小车轴距，
Figure 40441DEST_PATH_IMAGE004
为小车转向角，dt为时间的微分；
AGV小车的运动按时域划分，每一次执行控制指令的过程可视为一个时刻，k时刻即第k次执行指令的时候；
在k时刻的小车方位角为θ k ，且小车转向角分别为
Figure 763546DEST_PATH_IMAGE005
；
在k-1时刻的小车方位角为
Figure 125389DEST_PATH_IMAGE006
；
在k时刻以及k-1时刻时，AGV小车的x方向的坐标分别为xk、xk-1，且y方向的坐标分别为：yk、yk-1；
u k 为在k时刻的控制信号；
AGV小车的移动速度v k和转向角
Figure 10168DEST_PATH_IMAGE007
由k时刻的控制信号u k 决定。
实施例2：
本实施例是在实施例1的基础上进行优化，当双目相机在不同摄站进行拍摄时，根据图像采集的观测信息以及协方差信息，通过自适应卡尔曼滤波方法完成靶坐标点坐标值的计算与更新。
进一步地，对于初次观测到的靶标点，使用自适应卡尔曼滤波算法将靶标点信息添加到联合状态序列中，并更新对应协方差。
本发明在使用过程中，所述双目相机通过升降平台安装在AGV小车上实现对带测量区域的检测。测量前，需要在待测量区域粘贴反光标志点，标志点包括靶标点和编码点，编码点含有编号信息，可用于确定周围靶标点与其相对关系。如图1所示，设图中黑色的点为编码点，白色的点为靶标点。
本发明通过规划控制升降平台和AGV小车，将双目相机移动到检测位置，完成图像拍摄。使用自适应卡尔曼滤波算法，对拍摄到的靶标点坐标进行维护，实现坐标高精度计算。所使用的双目相机事先已进行过标定，设双目相机中，右侧相机相对于左侧相机的旋转矩阵为R，平移向量为T。本发明通过双目相机采集靶标点与标定点，一方面用于重构物体外形，另一方面通过将各靶标点变换到相对于AGV小车系统固定的坐标系下，校正AGV小车的测量路线，降低干涉，提高测量的精度。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例是在实施例1或2的基础上进行优化，设双目相机中，右侧相机相对于左侧相机的旋转矩阵为R，平移向量为T；在左侧相机光心建立世界坐标系，右侧相机相对于左侧相机的位姿变换关系即右侧相机与世界坐标系间的变换关系；以靶标点P n 的世界坐标系下的坐标为：
Figure DEST_PATH_IMAGE072
其中
Figure DEST_PATH_IMAGE073
和
Figure DEST_PATH_IMAGE074
分别为左右相机的焦距；
Figure DEST_PATH_IMAGE075
为左侧图像中点的像素坐标，
Figure DEST_PATH_IMAGE076
为右侧图像中点的像素坐标；
Figure DEST_PATH_IMAGE077
和
Figure DEST_PATH_IMAGE078
分别为R和T中的元素；
设AGV小车坐标系与左侧相机坐标系重合，则在k时刻，AGV小车的运动模型为：
Figure DEST_PATH_IMAGE079
其中：
θ表示小车方位角，L为小车轴距，
Figure 631465DEST_PATH_IMAGE004
为小车转向角，dt为时间的微分；
u k 为在k时刻的控制信号；
AGV小车的移动速度v k和转向角
Figure 361523DEST_PATH_IMAGE005
由k时刻的控制信号u k 决定。
设在k时刻，小车位姿与靶标点坐标联合状态向量为
Figure DEST_PATH_IMAGE080
，且
Figure DEST_PATH_IMAGE081
，协方差为
Figure DEST_PATH_IMAGE082
，其中
Figure DEST_PATH_IMAGE083
表示各靶标点坐标。
进一步地，根据控制信号u预测系统先验状态向量：
Figure DEST_PATH_IMAGE084
根据状态转移方程F计算传递后的协方差：
Figure DEST_PATH_IMAGE085
其中，
Figure 938391DEST_PATH_IMAGE016
表示小车的运动模型；
Figure 72701DEST_PATH_IMAGE017
表示k时刻小车的后验位姿估计值；
Figure 374500DEST_PATH_IMAGE018
表示对k时刻小车位姿的先验估计值；
Figure 642670DEST_PATH_IMAGE019
表示对k-1时刻小车位姿的后验估计值；
Figure 838160DEST_PATH_IMAGE020
表示k时刻靶标点的先验估计值；
Figure 815474DEST_PATH_IMAGE021
表示k-1时刻，已观测到的所有靶标点的后验估计值；
Figure 853837DEST_PATH_IMAGE022
为噪声干扰参数；
Figure 676431DEST_PATH_IMAGE023
是对k时刻状态量求导所得的雅克比矩阵，
Figure 992006DEST_PATH_IMAGE024
表示k时刻的先验协方差估计矩阵，
Figure 530434DEST_PATH_IMAGE025
表示k-1时刻的后验协方差估计矩阵；
Figure 931460DEST_PATH_IMAGE026
为观测模型观测误差服从的高斯分布的协方差矩阵；
上标T表示矩阵转置。
进一步地，如果经过观测，图片中同时存在已经观测到的靶标点和新的靶标点，设已观测到的靶标点编号为i，新观测到的靶标点编号为j；根据相机观测模型，计算预测值与实际值的残差：
Figure 72591DEST_PATH_IMAGE033
其中，
h为观测函数，
Figure 383618DEST_PATH_IMAGE034
为经观测函数计算出的第i个靶标点坐标预测值，
Figure 952002DEST_PATH_IMAGE035
为使用相机系统测量出的靶标点读数值；
Figure 715690DEST_PATH_IMAGE036
表示对k时刻小车位姿的先验估计值；
Figure 660512DEST_PATH_IMAGE037
表示k-1时刻，已观测到的靶标点的后验估计值；
Figure 560466DEST_PATH_IMAGE038
表示靶标点i的测量值与预测值之间的误差，亦称为新息；
以下使用自适应卡尔曼滤波算法求取系统后验概率密度估计，令：
Figure 565332DEST_PATH_IMAGE039
求出自适应渐消因子
Figure 816315DEST_PATH_IMAGE040
：
Figure 33670DEST_PATH_IMAGE041
根据
Figure 319289DEST_PATH_IMAGE042
调整计算系统先验协方差估计值：
Figure 760635DEST_PATH_IMAGE043
再计算卡尔曼增益：
Figure 233336DEST_PATH_IMAGE044
最后，完成系统后验概率分布计算，更新所有已观测到的靶标点坐标信息：
Figure 129747DEST_PATH_IMAGE045
其中：
Figure 394507DEST_PATH_IMAGE046
均为中间过程参数；
Figure 350961DEST_PATH_IMAGE047
是由观测函数分别对小车状态和第i个靶标点求导所组成的矩阵；
Figure 825805DEST_PATH_IMAGE048
为中间过程参数，表示k时刻的观测新息之间的期望；
Figure 666853DEST_PATH_IMAGE049
为中间过程参数，表示k-1时刻的观测新息之间的期望；
Figure 645173DEST_PATH_IMAGE050
表示靶标点测量值与预测值之间的误差，亦称为新息；
tr( )表示矩阵的取迹运算；
Figure 647896DEST_PATH_IMAGE051
为自适应渐消因子；
Figure 344456DEST_PATH_IMAGE052
为控制误差服从的高斯分布的协方差矩阵；
Figure 723616DEST_PATH_IMAGE053
为新息协方差矩阵；
Figure 822022DEST_PATH_IMAGE054
为卡尔曼增益；
上标T表示矩阵转置。
进一步地，对于新观测到的靶标点，计算新观测到靶标点的全局坐标：
Figure 995646DEST_PATH_IMAGE055
Figure DEST_PATH_IMAGE086
其中，
Figure 117185DEST_PATH_IMAGE058
表示新观测到的第j个靶标点向量；
Figure 300036DEST_PATH_IMAGE059
表示新观测到的第j个靶标点的信息；
Figure 393894DEST_PATH_IMAGE060
为观测函数逆函数，用于将新观测到的靶标点坐标转换到规定的全局坐标系下；
Figure 597474DEST_PATH_IMAGE061
表示小车位姿的自协方差，
Figure 268626DEST_PATH_IMAGE062
表示小车位姿与靶标点坐标之间的互协方差；
Figure 989589DEST_PATH_IMAGE063
表示靶标点坐标的自协方差；
Figure 328166DEST_PATH_IMAGE064
为观测函数逆函数对小车状态的偏导数；
Figure 109172DEST_PATH_IMAGE065
为靶标点的偏导数；
Figure 736462DEST_PATH_IMAGE066
为观测噪声协方差矩阵；
最后将新靶标点坐标添加到系统状态向量中：
Figure 526695DEST_PATH_IMAGE067
至此，完成基于自适应卡尔曼滤波方法的靶标点坐标值的计算与更新。
本实施例的其他部分与上述实施例1或2相同，故不再赘述。
实施例4：
一种基于双目视觉的飞机局部外形测量方法，主要涉及到使用双目视觉测距以及通过自适应卡尔曼滤波方法优化靶标点坐标，下面结合图1-图3进一步说明。
本发明的测量设备如图1所示，包括双目相机、升降平台、AGV小车，所述双目相机通过升降平台安装在AGV小车上。本发明通过AGV小车与升降平台移动双目相机，并对待测量的区域进行检测。所使用的双目相机事先已进行过标定，设双目相机中，右侧相机相对于左侧相机的旋转矩阵为R，平移向量为T。
在测量前，需要在待测量区域粘贴反光标志点，标志点包括靶标点和编码点，编码点含有编号信息，可用于确定周围靶标点与其相对关系。如图1所示，设图中黑色的点为编码点，白色的点为靶标点。
当系统在第一个站位完成图像拍摄后，先对左右相机采集到的图像中的靶标点进行识别，建立对应关系，再根据ICP算法完成左右图像中靶标点的匹配，设匹配上的左右点对分别为
Figure DEST_PATH_IMAGE087
和
Figure DEST_PATH_IMAGE088
，其对应靶标点为
Figure DEST_PATH_IMAGE089
。在左侧相机光心建立世界坐标系，则此时，左侧相机坐标系与世界坐标系重合，右侧相机相对于左侧相机的位姿变换关系即右侧相机与世界坐标系间的变换关系。以靶标点P n 为例，计算该时刻，其在所选世界坐标系下的坐标：
Figure DEST_PATH_IMAGE091
其中
Figure 525702DEST_PATH_IMAGE073
和
Figure 726876DEST_PATH_IMAGE074
分别为左右相机的焦距；
Figure 857774DEST_PATH_IMAGE075
为左侧图像中点的像素坐标，
Figure 169807DEST_PATH_IMAGE076
为右侧图像中点的像素坐标；
Figure 702551DEST_PATH_IMAGE077
和
Figure 74626DEST_PATH_IMAGE078
分别为R和T中的元素；
设AGV小车坐标系与左侧相机坐标系重合，图2为AGV小车移动模型，其中表示小车方位角，L为小车轴距，为小车转向角。在k时刻，小车的状态也即运动模型可表示为：
Figure 958400DEST_PATH_IMAGE079
AGV小车的移动速度和转向角由k时刻的控制信号决定。
设在k时刻，小车位姿与靶标点坐标联合状态向量为
Figure 808544DEST_PATH_IMAGE080
，且
Figure 726952DEST_PATH_IMAGE081
，协方差为
Figure 4350DEST_PATH_IMAGE082
，其中
Figure 968895DEST_PATH_IMAGE083
表示各靶标点坐标。如图3所示，靶标点测量更新流程如下：
（1）状态预测
根据控制信号u预测系统先验状态向量：
Figure DEST_PATH_IMAGE092
其中，f表示小车的运动面模型。
根据状态转移方程F计算传递后的协方差：
Figure DEST_PATH_IMAGE093
（2）状态更新及靶标点扩展
系统状态更新：
如果经过观测，图片中同时存在已经观测到的靶标点和新的靶标点，设以观测到的靶标点编号为i，新观测到的靶标点编号为j。根据相机观测模型，计算预测值与实际值的残差：
Figure DEST_PATH_IMAGE094
其中，
h为观测函数，
Figure 717670DEST_PATH_IMAGE034
为经观测函数计算出的第i个靶标点坐标预测值，
Figure 474274DEST_PATH_IMAGE035
为使用相机系统测量出的靶标点读数值；
Figure 797939DEST_PATH_IMAGE036
表示对k时刻小车位姿的先验估计值；
Figure 656305DEST_PATH_IMAGE037
表示k-1时刻，已观测到的靶标点的后验估计值；
Figure 254776DEST_PATH_IMAGE038
表示靶标点i的测量值与预测值之间的误差，亦称为新息；
以下使用自适应卡尔曼滤波算法求取系统后验概率密度估计，令：
Figure 210094DEST_PATH_IMAGE039
求出自适应渐消因子λ k ：
Figure 360453DEST_PATH_IMAGE041
其中：
Figure 706114DEST_PATH_IMAGE046
均为中间过程参数；
Figure 967331DEST_PATH_IMAGE047
是由观测函数分别对小车状态和第i个靶标点求导所组成的矩阵；
Figure 183680DEST_PATH_IMAGE048
为中间过程参数，表示k时刻的观测新息之间的期望；
Figure 239361DEST_PATH_IMAGE049
为中间过程参数，表示k-1时刻的观测新息之间的期望；
Figure 806740DEST_PATH_IMAGE050
表示靶标点测量值与预测值之间的误差，亦称为新息；
tr( )表示矩阵的取迹运算；
Figure 606068DEST_PATH_IMAGE051
为自适应渐消因子；
Figure 942503DEST_PATH_IMAGE052
为控制误差服从的高斯分布的协方差矩阵；
Figure 169085DEST_PATH_IMAGE053
为新息协方差矩阵；
Figure 958180DEST_PATH_IMAGE054
为卡尔曼增益；
上标T表示矩阵转置。
根据
Figure 561200DEST_PATH_IMAGE042
调整计算系统先验协方差估计值：
Figure 283300DEST_PATH_IMAGE043
再计算卡尔曼增益：
Figure 415204DEST_PATH_IMAGE044
最后，完成系统后验概率分布计算，更新所有已观测到的靶标点坐标信息：
Figure 957175DEST_PATH_IMAGE045
靶标点扩展：
对于新观测到的靶标点，计算新观测到靶标点的全局坐标：
Figure 98306DEST_PATH_IMAGE055
Figure 409333DEST_PATH_IMAGE086
其中，
Figure 977717DEST_PATH_IMAGE058
表示新观测到的第j个靶标点向量；
Figure 741405DEST_PATH_IMAGE059
表示新观测到的第j个靶标点的信息；
Figure 686227DEST_PATH_IMAGE060
为观测函数逆函数，用于将新观测到的靶标点坐标转换到规定的全局坐标系下；
Figure 117340DEST_PATH_IMAGE061
表示小车位姿的自协方差，
Figure 856626DEST_PATH_IMAGE062
表示小车位姿与靶标点坐标之间的互协方差；
Figure 966664DEST_PATH_IMAGE063
表示靶标点坐标的自协方差；
Figure 590544DEST_PATH_IMAGE064
为观测函数逆函数对小车状态的偏导数；
Figure 876162DEST_PATH_IMAGE065
为靶标点的偏导数；
Figure 786350DEST_PATH_IMAGE066
为观测噪声协方差矩阵；
最后将新靶标点坐标添加到系统状态向量中：
Figure 524630DEST_PATH_IMAGE067
至此，完成基于自适应卡尔曼滤波方法的靶标点坐标值的计算与更新。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (5)

1.一种基于双目视觉的飞机局部外形测量方法，其特征在于，使用AGV小车搭载双目相机，在测量区域对应黏贴反光标志点，且标志点包括靶标点和编码点，所述编码点含有编号信息，用于确定周围靶标点与其对应关系；包括以下步骤：
步骤S100：若双目相机观测到新的靶标点则进行靶标点初始化；
步骤S200：根据系统控制信号u对系统状态预测得到AGV小车位姿、靶标点坐标；u为控制信号，控制小车的速度和转向角；
步骤S300：采用双目相机进行实际图像采集并进行观测值计算，拍摄得到实际采集的靶标点；
步骤S400：结合步骤S200中的预测的AGV小车位姿、靶标点坐标以及步骤S300中实际采集的靶标点，并基于自适应卡尔曼滤波方法更新AGV小车位姿以及靶标点坐标；
在双目相机的左、右相机拍摄完左、右图像后，根据图片中匹配好的编码点信息，通过ICP算法完成双目相机的左、右相机采集的左、右图像中待测靶标点的匹配，根据双目视觉原理，计算出各靶标点在相机坐标系下的坐标，并将其变换到相对于AGV小车系统固定的坐标系下，以更新校正AGV小车位姿；
设AGV小车坐标系与左侧相机坐标系重合，则在k时刻，AGV小车的运动模型为：
Figure DEST_PATH_IMAGE001
其中：
θ表示小车方位角，L为小车轴距，
Figure 705746DEST_PATH_IMAGE002
为小车转向角，dt为时间的微分；
AGV小车的运动按时域划分，每一次执行控制指令的过程视为一个时刻，k时刻即第k次执行指令的时候；
在k时刻的小车方位角为θ k ，且小车转向角分别为
Figure 560569DEST_PATH_IMAGE003
；
在k-1时刻的小车方位角为
Figure 340307DEST_PATH_IMAGE004
；
在k时刻以及k-1时刻时，AGV小车的x方向的坐标分别为xk、xk-1，且y方向的坐标分别为：yk、yk-1；
AGV小车的移动速度v k和转向角
Figure 735516DEST_PATH_IMAGE005
由k时刻的控制信号u k 决定；u k 为在k时刻的控制信号。
2.根据权利要求1所述的一种基于双目视觉的飞机局部外形测量方法，其特征在于，在步骤S400中，对于初次观测到的靶标点，使用自适应卡尔曼滤波算法将靶标点信息添加到联合状态序列中，并更新对应协方差；当双目相机在不同摄站进行拍摄时，根据图像采集的观测信息以及协方差信息，通过自适应卡尔曼滤波方法完成靶标点坐标值的计算与更新。
3.根据权利要求2所述的一种基于双目视觉的飞机局部外形测量方法，其特征在于，设在k时刻，小车位姿与靶标点坐标联合状态向量为
Figure 487571DEST_PATH_IMAGE006
，且
Figure 310034DEST_PATH_IMAGE007
，协方差为
Figure 577067DEST_PATH_IMAGE008
，其中
Figure 713650DEST_PATH_IMAGE009
表示各靶标点坐标，根据控制信号u预测系统先验状态向量：
Figure 382529DEST_PATH_IMAGE010
状态转移方程F为：
Figure 375893DEST_PATH_IMAGE011
根据状态转移方程F计算传递后的协方差：
Figure 67905DEST_PATH_IMAGE012
其中，
Figure 804917DEST_PATH_IMAGE013
表示小车的运动模型；
Figure 328302DEST_PATH_IMAGE014
表示k时刻小车的后验位姿估计值；
Figure 695830DEST_PATH_IMAGE015
表示对k时刻小车位姿的先验估计值；
Figure 937455DEST_PATH_IMAGE016
表示对k-1时刻小车位姿的后验估计值；
Figure 212579DEST_PATH_IMAGE017
表示k时刻靶标点的先验估计值；
Figure 856050DEST_PATH_IMAGE018
表示k-1时刻，已观测到的所有靶标点的后验估计值；
Figure 128899DEST_PATH_IMAGE019
为噪声干扰参数；
Figure 857821DEST_PATH_IMAGE020
是对k时刻状态量求导所得的雅克比矩阵，
Figure 936635DEST_PATH_IMAGE021
表示k时刻的先验协方差估计矩阵，
Figure 372296DEST_PATH_IMAGE022
表示k-1时刻的后验协方差估计矩阵；
Figure 143943DEST_PATH_IMAGE023
为观测模型观测误差服从的高斯分布的协方差矩阵；
上标T表示矩阵转置。
4.根据权利要求3所述的一种基于双目视觉的飞机局部外形测量方法，其特征在于，如果经过观测图片中同时存在已经观测到的靶标点和新的靶标点，则根据相机观测模型计算预测值与实际值的残差：
Figure 94581DEST_PATH_IMAGE024
其中，
设已观测到的靶标点编号为i，新观测到的靶标点编号为j，
h为观测函数，
Figure 914770DEST_PATH_IMAGE025
为经观测函数计算出的第i个靶标点坐标预测值，
Figure 267254DEST_PATH_IMAGE026
为使用相机系统测量出的靶标点读数值；
Figure 209802DEST_PATH_IMAGE027
表示对k时刻小车位姿的先验估计值；
Figure 585419DEST_PATH_IMAGE028
表示k-1时刻，已观测到的靶标点的后验估计值；
Figure 6037DEST_PATH_IMAGE029
表示靶标点i的测量值与预测值之间的误差，亦称为新息；
以下使用自适应卡尔曼滤波算法求取系统后验概率密度估计，令：
Figure 478606DEST_PATH_IMAGE030
求出自适应渐消因子
Figure 529739DEST_PATH_IMAGE031
：
Figure 454969DEST_PATH_IMAGE032
根据
Figure 679277DEST_PATH_IMAGE033
调整计算系统先验协方差估计值：
Figure 740774DEST_PATH_IMAGE034
再计算卡尔曼增益：
Figure 962808DEST_PATH_IMAGE035
最后，完成系统后验概率分布计算，更新所有已观测到的靶标点坐标信息：
Figure 375335DEST_PATH_IMAGE036
其中：
Figure 403334DEST_PATH_IMAGE037
均为中间过程参数；
Figure 522600DEST_PATH_IMAGE038
是由观测函数分别对小车状态和第i个靶标点求导所组成的矩阵；
Figure 712273DEST_PATH_IMAGE039
为中间过程参数，表示k时刻的观测新息之间的期望；
Figure 612095DEST_PATH_IMAGE040
为中间过程参数，表示k-1时刻的观测新息之间的期望；
Figure 115889DEST_PATH_IMAGE041
表示靶标点测量值与预测值之间的误差，亦称为新息；
tr( )表示矩阵的取迹运算；
Figure 417557DEST_PATH_IMAGE042
为自适应渐消因子；
Figure 778132DEST_PATH_IMAGE043
为控制误差服从的高斯分布的协方差矩阵；
Figure 165251DEST_PATH_IMAGE044
为新息协方差矩阵；
Figure 472735DEST_PATH_IMAGE045
为卡尔曼增益；
上标T表示矩阵转置。
5.根据权利要求4所述的一种基于双目视觉的飞机局部外形测量方法，其特征在于，对于新观测到的靶标点，计算新观测到靶标点的全局坐标：
Figure 363331DEST_PATH_IMAGE046
Figure 160385DEST_PATH_IMAGE048
其中，
Figure 706904DEST_PATH_IMAGE049
表示新观测到的第j个靶标点向量；
Figure 880397DEST_PATH_IMAGE050
表示新观测到的第j个靶标点的信息；
Figure 891078DEST_PATH_IMAGE051
为观测函数逆函数，用于将新观测到的靶标点坐标转换到规定的全局坐标系下；
Figure 796717DEST_PATH_IMAGE052
表示小车位姿的自协方差，
Figure 892849DEST_PATH_IMAGE053
表示小车位姿与靶标点坐标之间的互协方差；
Figure 604453DEST_PATH_IMAGE054
表示靶标点坐标的自协方差；
Figure 469641DEST_PATH_IMAGE055
为观测函数逆函数对小车状态的偏导数；
Figure 546182DEST_PATH_IMAGE056
为靶标点的偏导数；
Figure 129610DEST_PATH_IMAGE057
为观测噪声协方差矩阵；
最后将新靶标点坐标添加到系统状态向量中：
Figure 379325DEST_PATH_IMAGE058
至此，完成基于自适应卡尔曼滤波方法的靶标点坐标值的计算与更新。
CN202011461679.6A 2020-12-14 2020-12-14 一种基于双目视觉的飞机局部外形测量方法 Active CN112268548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011461679.6A CN112268548B (zh) 2020-12-14 2020-12-14 一种基于双目视觉的飞机局部外形测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011461679.6A CN112268548B (zh) 2020-12-14 2020-12-14 一种基于双目视觉的飞机局部外形测量方法

Publications (2)

Publication Number Publication Date
CN112268548A CN112268548A (zh) 2021-01-26
CN112268548B true CN112268548B (zh) 2021-03-09

Family

ID=74350104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011461679.6A Active CN112268548B (zh) 2020-12-14 2020-12-14 一种基于双目视觉的飞机局部外形测量方法

Country Status (1)

Country Link
CN (1) CN112268548B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114459345B (zh) * 2021-12-22 2024-05-24 上海智能制造功能平台有限公司 基于视觉空间定位的飞机机身位置姿态检测系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105157592A (zh) * 2015-08-26 2015-12-16 北京航空航天大学 基于双目视觉的柔性后缘可变形机翼的变形形状和速率的测量方法
CN106092056A (zh) * 2016-06-28 2016-11-09 中国人民解放军国防科学技术大学 一种高速铁路桥梁基础沉降变形的车载动态监测方法
CN108375382A (zh) * 2018-02-22 2018-08-07 北京航空航天大学 基于单目视觉的位置姿态测量系统精度检校方法和装置
CN109591019A (zh) * 2018-12-19 2019-04-09 南京航空航天大学 一种无确定性定位特征物体的空间精确定位方法
CN111080627A (zh) * 2019-12-20 2020-04-28 南京航空航天大学 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3738746A (en) * 1970-12-08 1973-06-12 Us Interior Automatic stereoscopic profiling system
CN101021413A (zh) * 2006-02-14 2007-08-22 上海乐开测控设备有限公司 汽车外廓自动测量系统
CN102445164B (zh) * 2011-10-12 2012-12-12 北京航空航天大学 一种大型构件表面三维形貌视觉测量方法及系统
DE102012020093A1 (de) * 2012-10-12 2014-04-17 Eads Deutschland Gmbh Anordnung zur Ortung, Erfassung und Überwachung von Eisbergen sowie Verfahren zur Bestimmung eines von treibenden Eisbergen ausgehenden Gefährdungspotentials für stationäre oder schwimmende Meeresbauwerke
CN104236478B (zh) * 2014-09-19 2017-01-18 山东交通学院 一种基于视觉的车辆外廓尺寸自动测量系统及方法
CN104457569B (zh) * 2014-11-27 2017-06-16 大连理工大学 一种大型复合板材几何参数视觉测量方法
CN104976984B (zh) * 2015-06-08 2017-07-14 南昌航空大学 一种基于标记点三维信息测量的飞机侧滑角动态监测方法
FR3037429B1 (fr) * 2015-06-15 2018-09-07 Donecle Systeme et procede d'inspection automatique de surface
CN105627926B (zh) * 2016-01-22 2017-02-08 尹兴 四像机组平面阵列特征点三维测量系统及测量方法
CN105698699B (zh) * 2016-01-26 2017-12-19 大连理工大学 一种基于时间转轴约束的双目视觉测量方法
CN108317953A (zh) * 2018-01-19 2018-07-24 东北电力大学 一种基于无人机的双目视觉目标表面3d检测方法及系统
US11238675B2 (en) * 2018-04-04 2022-02-01 The Boeing Company Mobile visual-inspection system
CN209230551U (zh) * 2019-01-14 2019-08-09 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
CN109540041B (zh) * 2019-01-14 2020-05-08 吉林大学 双目主动视觉矢量正交归一化汽车形貌测量系统与方法
CN110360947A (zh) * 2019-06-24 2019-10-22 广州市奥特创通测控技术有限公司 一种基于矢量图像测量的车辆轮廓测量方法
CN110765922B (zh) * 2019-10-18 2023-05-02 华南理工大学 一种agv用双目视觉物体检测障碍物系统
CN111664801A (zh) * 2020-05-22 2020-09-15 成都飞机工业（集团）有限责任公司 一种基于高斯曲率的光学靶标点投影规划方法
CN111693972B (zh) * 2020-05-29 2022-11-15 东南大学 一种基于双目序列图像的车辆位置与速度估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105157592A (zh) * 2015-08-26 2015-12-16 北京航空航天大学 基于双目视觉的柔性后缘可变形机翼的变形形状和速率的测量方法
CN106092056A (zh) * 2016-06-28 2016-11-09 中国人民解放军国防科学技术大学 一种高速铁路桥梁基础沉降变形的车载动态监测方法
CN108375382A (zh) * 2018-02-22 2018-08-07 北京航空航天大学 基于单目视觉的位置姿态测量系统精度检校方法和装置
CN109591019A (zh) * 2018-12-19 2019-04-09 南京航空航天大学 一种无确定性定位特征物体的空间精确定位方法
CN111080627A (zh) * 2019-12-20 2020-04-28 南京航空航天大学 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法

Also Published As

Publication number Publication date
CN112268548A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN110116407B (zh) 柔性机器人位姿测量方法及装置
CN112505065B (zh) 一种实现室内无人机对大部件表面缺陷进行检测的方法
CN110456330B (zh) 一种相机与激光雷达之间外参无目标自动标定方法及系统
CN109186601A (zh) 一种基于自适应无迹卡尔曼滤波的激光slam算法
CN114011608B (zh) 基于数字孪生的喷涂工艺优化系统及其喷涂优化方法
CN111650598A (zh) 一种车载激光扫描系统外参标定方法和装置
CN107192375B (zh) 一种基于航拍姿态的无人机多帧图像自适应定位校正方法
CN113175929B (zh) 一种基于upf的空间非合作目标相对位姿估计方法
CN110515088B (zh) 一种智能机器人的里程计估计方法及系统
CN115592324A (zh) 基于人工智能的自动焊接机器人控制系统
CN115063465B (zh) 一种基于激光雷达的无人车行驶路况建模方法
CN114964276B (zh) 一种融合惯导的动态视觉slam方法
CN112268548B (zh) 一种基于双目视觉的飞机局部外形测量方法
CN112731354A (zh) Agv上激光雷达位姿的自标定方法
CN116578035A (zh) 基于数字孪生技术的旋翼无人机自主降落控制系统
CN106097277B (zh) 一种基于视觉测量的绳索物质点跟踪方法
CN109848984A (zh) 一种基于svm和比例控制的视觉伺服方法
CN111899303B (zh) 一种新的考虑空间逆投影约束的特征匹配与相对定位方法
CN112525145B (zh) 一种飞机降落相对姿态动态视觉测量方法及系统
CN113920150A (zh) 一种资源受限下的行星车简化双目视觉里程定位方法
CN111553954B (zh) 一种基于直接法单目slam的在线光度标定方法
Fuchs et al. Advanced 3-D trailer pose estimation for articulated vehicles
CN116989670A (zh) 一种柔性飞机全机外形一站式数字化测量方法
CN111121779A (zh) 一种无人机所处飞行区域的实时检测方法
Geiger Monocular road mosaicing for urban environments

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