CN113390410A - 一种适用于无人机的惯性组合导航方法 - Google Patents
一种适用于无人机的惯性组合导航方法 Download PDFInfo
- Publication number
- CN113390410A CN113390410A CN202110890802.4A CN202110890802A CN113390410A CN 113390410 A CN113390410 A CN 113390410A CN 202110890802 A CN202110890802 A CN 202110890802A CN 113390410 A CN113390410 A CN 113390410A
- Authority
- CN
- China
- Prior art keywords
- navigation
- unmanned aerial
- aerial vehicle
- obstacle
- speed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000000007 visual effect Effects 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 18
- 238000003709 image segmentation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 abstract description 12
- 238000005520 cutting process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000011166 aliquoting Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01C21/1656—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 with passive imaging devices, e.g. cameras
Abstract
本申请公开了一种适用于无人机的惯性组合导航方法，包括：步骤10，基于预设导航周期和惯性导航算法，获取无人机导航过程中的初始导航方向和初始导航速度；步骤20，确定无人机视觉图像中障碍物与无人机之间的间距，并结合当前时刻的风速大小和风向角，对初始导航方向和初始导航航速进行修正；步骤30，根据修正后的导航方向和导航航速，生成无人机导航指令，重复执行步骤10，直至完成无人机导航。通过本申请中的技术方案，基于无人机航行路线中的障碍物及风速、风向，对无人机惯性导航过程中的导航方向与导航速度进行修正，提高无人机惯性导航的精度，降低导航算法的复杂程度，提高无人机导航控制的实时性。
Description
技术领域
本申请涉及无人机导航的技术领域，具体而言，涉及一种适用于无人机的惯性组合导航方法。
背景技术
惯性导航系统(Inertial Navigation System，INS)属于推算导航方式，其基本工作原理是以牛顿力学定律为基础，通过测量载体在惯性参考系的加速度，将它对时间进行积分，并变换到导航坐标系中，以得到在导航坐标系中的速度、偏航角和位置等信息。但由于其固有的导航误差累积，导航精度随时间增长而降低，因此，在无人机自主飞行导航过程中通常需要其他导航方式相结合，如偏振光辅助、视觉辅助。
随着无人机技术的不断发展，无人机所涉及的应用领域越来越广泛，如：航拍、环境监测、物流运输等，因此，需要无人机在自主飞行导航过程中，能够适用于复杂的飞行环境，特别是在高楼林立的城市地区。
而现有的无人机导航技术中，通常存在以下问题：
1、算法较为复杂，为了及时对无人机航行过程中的路线进行调整，保证算法的运算速率，需要占用大量的硬件资源，导致无人机制造成本偏高，不利于无人机应用的普及；
2、实时性较差，易受外界环境因素影响，如：风速、风向、障碍物等，特别是对于飞行路线上的障碍物，通常需要在常规导航方法中嵌入自主避障算法，进一步增加了无人机导航算法的复杂程度，不利于对无人机导航过程中航速、航向的实时调整。
发明内容
本申请的目的在于：基于无人机航行路线中的障碍物及风速、风向，对无人机惯性导航过程中的导航方向与导航速度进行修正，提高无人机惯性导航的精度，降低导航算法的复杂程度，提高无人机导航控制的实时性。
本申请的技术方案是：提供了一种适用于无人机的惯性组合导航方法，该方法包括：步骤10，基于预设导航周期和惯性导航算法，获取无人机导航过程中的初始导航方向和初始导航航速；步骤20，确定无人机视觉图像中障碍物与无人机之间的间距，并结合当前时刻的风速大小和风向角，对初始导航方向和初始导航航速进行修正；步骤30，根据修正后的导航方向和导航航速，生成无人机导航指令，重复执行步骤10，直至完成无人机导航。
上述任一项技术方案中，进一步地，步骤20中，无人机视觉图像中障碍物与无人机之间的间距，由无人机当前航速和障碍物的轮廓变化大小的取值确定，其中，轮廓变化大小的取值为相邻两个预设导航周期内无人机视觉图像中障碍物相同部位的高度差值。
上述任一项技术方案中，进一步地，步骤20中，轮廓变化大小的取值的计算过程，具体包括：步骤201，采用图像分割的方式，识别第一预设导航周期内无人机视觉图像中的第一障碍物轮廓；步骤202，提取第一障碍物轮廓中的第一像素特征点和第二像素特征点，并基于第一像素特征点和第二像素特征点，计算障碍物的第一轮廓距离，其中，第一轮廓距离为第一像素特征点和第二像素特征点的间距；步骤203，采用图像分割的方式，识别第二预设导航周期内无人机视觉图像中的第二障碍物轮廓，并基于第一像素特征点和第二像素特征点，提取第二障碍物轮廓中的第三像素特征点和第四像素特征点，以计算障碍物的第二轮廓距离，其中，第二轮廓距离为第三像素特征点和第四像素特征点的间距；步骤204，计算第一轮廓距离与第二轮廓距离的差值，记作轮廓变化大小的取值。
上述任一项技术方案中，进一步地，步骤201中，采用图像分割的方式识别第一障碍物轮廓的方法，具体包括：步骤A，基于第一预设范围，对无人机视觉图像进行等间距粗划分，生成第一图像网格，并计算第一图像网格内各个像素点的相似距离；步骤B，采用迭代运算，当判定当前迭代次数下无人机视觉图像中各个像素点的相似距离小于上一次迭代次数下对应的相似距离时，根据像素点的相似距离对像素点进行归类，并生成第二图像网格，重新执行步骤A，计算第二图像网格内各个像素点与第二图像网格的中心像素点的相似距离，直至第二图像网格不在变化；步骤C，根据第二图像网格中各个像素点的像素值和像素点个数，计算各个第二图像网格的局部方差系数和无人机视觉图像的全局方差系数；步骤D，当判定局部方差系数大于全局方差系数时，将局部方差系数对应的第二图像网格记作待拆分图像网格，并基于第二预设范围对待拆分图像网格进行等间距细化分，将拆分后的待拆分图像网格和未拆分的第二图像网格组成第三图像网格；步骤E，计算第三图像网格内的像素均值，遍历第三图像网格，当判定第三图像网格的像素均值与待合并网格的像素均值的差值小于合并阈值时，将第三图像网格与待合并网格进行网格合并，其中，待合并网格为第三图像网格的四连通域内的任一第三图像网格；步骤F，根据网格合并结果，生成第一障碍物轮廓。
上述任一项技术方案中，进一步地，步骤20中，对初始导航方向和初始导航航速进行修正，具体包括：步骤211，判断无人机与障碍物的间距是否小于或等于预设航向调整距离，若是，执行步骤212，若否，执行步骤213；步骤212，确定障碍物与无人机距离最近的位置点，将位置点记作圆点，以预设航向调整距离为半径，生成航迹调整圆，并以内接边长生成航迹调整圆的内接多边形，选定航向修正边并计算航向修正边与当前航行方向之间的夹角，将夹角记作航向调整角α，基于航向调整角α修正初始导航方向，其中，内接边长为无人机当前航速与预设导航周期时长的乘积，航向修正边为内接多边形中距离无人机最近且沿远离障碍物方向的内接边长；步骤213，基于风向角与风速大小，计算第一航速修正值，根据第一航速修正值修正初始导航航速。
上述任一项技术方案中，进一步地，步骤212中，还包括：基于航向调整角与风向角的向量和，结合风速大小和历史航迹，计算第二航速修正值；根据第二航速修正值，修正初始导航航速。
上述任一项技术方案中，进一步地，步骤20之前，还包括：获取无人机视觉图像，以及当前时刻的风速大小和风向角。
本申请的有益效果是：
本申请中的技术方案，通过将惯性导航、视觉处理技术、航行过程中的环境信息(如：风速、风向)相结合，利用视觉处理技术，通过识别无人机视觉图像中的障碍物轮廓，对无人机与障碍物的间距进行计算，再将风速、风向结合计算出的与障碍物的间距，对惯性导航输出的初始导航方向和初始导航航速进行修正，有助于提高无人机惯性导航的精度，降低导航算法的复杂程度，提高无人机导航控制的实时性，优化无人机的续航能力。
本申请中还通过对无人机视觉图像的多次划分以及合并，实现对障碍物轮廓的识别，通过对无人机视觉图像进行等间距粗划分，将无人机视觉图像划分为多个较大的网格，以便基于此类数量较少但包含像素点较多的较大网格进行快速运算，以提高图像识别的效率。在此基础上，又引入相似距离，对较大的第一图像网格中的像素点进行归类，实现对无人机视觉图像的二次划分，生成第二图像网格，实现将无人机视觉图像中的像素点归类至相似距离最近的中心像素点，通过上述两次图像划分，能够解决图像分割过程中存在的过分割、欠分割的问题，在保证图像分割准确性的前提下，减少了分割出的网格数量，有助于提高障碍物轮廓识别的准确性和效率。
本申请中的技术方案，在进行航速修正的过程中，为了提前避免无人机与障碍物发生碰撞，根据无人机与障碍物的间距和预设航向调整距离对导航方向进行修正，并基于修正导航方向的航向调整角与风向角的向量和，结合风速大小和历史航迹，得到第二航速修正值，实现基于无人机与障碍物的间距、航向调整角、风向角、风速、历史航迹等对初始导航航速的修正，在保证航速修正的准确性的同时，提高了无人机导航的控制精度，优化了无人机导航控制的实时性。
附图说明
本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请的一个实施例的适用于无人机的惯性组合导航方法的示意流程图；
图2是根据本申请的一个实施例的无人机视觉图像中障碍物轮廓变化的示意图；
图3是根据本申请的一个实施例的四连通域的示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本实施例提供了一种适用于无人机的惯性组合导航方法，该方法包括：
步骤10，基于预设导航周期和惯性导航算法，获取无人机导航过程中的初始导航方向和初始导航航速；
进一步地，步骤10之后，该方法还包括：获取无人机视觉图像，以及当前时刻的风速大小和风向角。
具体的，本实施例以无人机的惯性导航方法为基础，设定无人机导航的预设导航周期，周期性的对无人机惯性导航进行修正，并且通过在无人机上搭载单目相机或者双目相机，作为无人机航行过程中的无人机视觉图像的获取装置，再搭载风速风向检测或者获取装置，以获取无人机航行过程中的风速大小、风向角等参数，以便基于无人机视觉图像中的障碍物和风速大小、风向角，对惯性导航得出的初始导航方向和初始导航航速进行修正。
需要说明的是，本实施例并不限定惯性导航方法的具体实现方式。
步骤20，确定无人机视觉图像中障碍物与无人机之间的间距，并结合当前时刻的风速大小和风向角，对初始导航方向和初始导航航速进行修正，其中，无人机视觉图像中障碍物与无人机之间的间距，由无人机当前航速和障碍物轮廓变化大小的取值共同确定，轮廓变化大小的取值为相邻两个预设导航周期内无人机视觉图像中障碍物相同部位的高度差值。
具体的，为了使无人机能够在复杂的飞行环境安全、可靠地自主飞行，本实施例基于无人机与障碍物之间的间距、风速大小和风向角，对无人机惯性导航得出的初始导航方向和初始导航航速进行修正。在进行航向修正时，基于无人机视觉图像识别出处于安全航行范围内的障碍物，当判定无人机与障碍物的距离过近时，朝远离障碍物的方向进行导航方向修正，避免无人机发生碰撞。并根据预设函数，结合风速大小和风向角，对无人机的导航速度进行修正。
需要说明的是，无人机在航行过程中，由于障碍物的大小、无人机获取无人机视觉图像的视角范围为定值，如图2所示，基于三角函数关系，可以根据障碍物轮廓变化大小的取值，计算出无人机与障碍物的间距，具体推导过程本实施例不再赘述。
通过上述方案，不仅使得无人机在航行过程中远离航线中的障碍物，保证航行安全，另一方面，充分利用航行过程中的风力，基于风速大小、风向角进行航速修正，有助于降低无人机航行过程中的电能消耗，提高无人机的航行时间。
在上述实施例的基础上，为了实现无人机惯性导航的精确修正，准确计算无人机航行过程中无人机与障碍物的间距，本实施例还示出了一种轮廓变化大小的取值的计算过程，具体包括：
步骤201，采用图像分割的方式，识别第一预设导航周期内无人机视觉图像中的第一障碍物轮廓，其中，第一预设导航周期为无人机导航过程中任两个相邻的预设导航周期中前一个预设导航周期，设为T1；同样的，第二预设导航周期则为任两个相邻的预设导航周期中后一个预设导航周期，设为T2。
本实施例中可以采用常规的图像分割、识别处理方法，确定无人机视觉图像中的障碍物轮廓。
需要说明的是，本实施例中的无人机视觉图像为灰度值图像。
进一步的，在识别无人机视觉图像中的第一障碍物轮廓E1的过程中，对无人机视觉图像进行图像分割，以便对无人机视觉图像中的第一障碍物轮廓E1进行提取识别，以提高轮廓识别的准确性，该过程具体包括：
步骤A，基于第一预设范围，对无人机视觉图像进行等间距粗划分，生成第一图像网格，并计算第一图像网格内各个像素点的相似距离；
具体的，为了提高障碍物轮廓识别的效率和准确性，根据无人机视觉图像的尺寸，确定第一预设范围，对无人机视觉图像进行等间距粗划分，将无人机视觉图像划分为多个较大的网格，以便基于此类数量较少但包含像素点较多的较大网格进行快速运算，以提高图像识别的效率，将这些划分出的较大的网格记作第一图像网格。
本实施例中的各个像素点的相似距离由像素点的像素值和像素点坐标共同确定，对应的计算公式为：
式中，L(i，j)为像素点坐标为(i，j)的像素点的相似距离，I()为像素值，(ic，jc)为中心像素点的坐标，中心像素点为第一图像网格内的几何中心点对应的像素点，ω为紧凑因子，为设定参数，M为搜索半径，为设定参数，其取值小于第一预设范围最小边长的一半。
本领域技术人员能够理解的是：紧凑因子ω的取值越大，则表明第一图像网格划分的越规则；相似距离L(i，j)的取值越小，则像素点(i，j)与中心像素点(ic，jc)越相似。
步骤B，采用迭代运算，当判定当前迭代次数下无人机视觉图像中各个像素点的相似距离小于上一次迭代次数下对应的相似距离时，根据像素点的相似距离对像素点进行归类，并生成第二图像网格，重新执行步骤A，计算第二图像网格内各个像素点与第二图像网格的中心像素点的相似距离，直至第二图像网格不在变化；
具体的，在计算各个像素点与中心像素点的相似距离时，存在各个像素点对应多个相似距离的情况，此时，需要对各个像素点的相似距离进行筛选，保留最小相似距离，以作为该像素点最终的相似距离，与上一次迭代过程中的相似距离进行比较。
需要说明的是，各个像素点的相似距离取值的初始值为无穷大。因此，在得到第一图像网格后，进行迭代运算时，至少会进行一次第二图像网格的归类划分。
由于相似距离表示各个像素点与中心像素点的关系，因此，通过相似距离的比较，能够把像素点归类至相似距离最近的中心像素点，进而生成第二图像网格。
如此，经过一轮迭代后，第二图像网格的区域大小或边界会随着其像素点归类的变化而发生变化，区域的变化又引起了中心像素点位置的变化，因此在下一次迭代时，由于中心像素点位置和区域大小发生了变化，计算得到的各个像素点的相似距离也会发生变化。当中心像素点区域不再发生变化时，说明中心像素点的位置也不发生变化了，此时将得到最终的第二图像网格。
通过本申请中的技术方案，在等间距粗划分得到第一图像网格的基础上，引入相似距离，对较大的第一图像网格中的像素点进行归类，实现对无人机视觉图像的二次划分，生成第二图像网格，实现将无人机视觉图像中的像素点归类至相似距离最近的中心像素点，通过依次将无人机视觉图像划分为第一、第二图像网格，能够解决图像分割过程中存在的过分割、欠分割的问题，在保证图像分割准确性的前提下，减少了分割出的网格数量，有助于提高障碍物轮廓识别的准确性和效率。
步骤C，根据第二图像网格中各个像素点的像素值和像素点个数，计算各个第二图像网格的局部方差系数和无人机视觉图像的全局方差系数，其中，局部方差系数为任一个第二图像网格的像素方差与其像素均值的比值，全局方差系数为无人机视觉图像的像素方差与其像素均值的比值。
步骤D，当判定局部方差系数大于全局方差系数时，将局部方差系数对应的第二图像网格记作待拆分图像网格，并基于第二预设范围对待拆分图像网格进行等间距细化分，将拆分后的待拆分图像网格和未拆分的第二图像网格组成第三图像网格；
步骤E，计算第三图像网格内的像素均值，遍历第三图像网格，当判定第三图像网格的像素均值与待合并网格的像素均值的差值小于合并阈值时，将第三图像网格与待合并网格进行网格合并，其中，待合并网格为第三图像网格的四连通域内的任一第三图像网格；
具体的，如图3所示，设定当前遍历过程中的第三图像网格为H1，则其四连通域对应的网格分别为第三网格H2-H5，计算第三网格H1的像素均值与第三网格H2-H5的像素均值的差值。对于第三网格H2而言，若假设第三网格H1与第三网格H2间的像素均值的差值小于合并阈值，则将第三网格H1与第三网格H2进行合并；否则，不进行合并。直至完成对全部第三网格的遍历。
步骤F，根据网格合并结果，生成第一障碍物轮廓。
本实施例中，通过第二图像网格的划分，将无人机视觉图像中的像素点进行归类，再结合局部方差系数，对聚类后的像素点进行等间距细化分，以生成第三图像网格，避免遗漏像素点的灰度特征，提高障碍物轮廓识别的准确性，再通过四连通域遍历的方式，对像素均值间差值较小的第三图像网格进行合并，根据网格合并结果，识别出无人机视觉图像中的障碍物，便可快速、准确的得到最终的障碍物轮廓。
步骤202，提取第一障碍物轮廓中的第一像素特征点和第二像素特征点，并基于第一像素特征点和第二像素特征点，计算无人机视觉图像中的第一轮廓距离，其中，第一轮廓距离为第一像素特征点和第二像素特征点的间距；
步骤203，采用图像分割的方式，识别第二预设导航周期内无人机视觉图像中的第二障碍物轮廓，并基于第一像素特征点和第二像素特征点，提取第二障碍物轮廓中的第三像素特征点和第四像素特征点，以计算无人机视觉图像中的第二轮廓距离，其中，第二轮廓距离为第三像素特征点和第四像素特征点的间距；
具体的，基于第一障碍物轮廓中各个像素点所在的位置坐标，以确定第一像素特征点和第二像素特征点。本实施例中，像素特征点可以为障碍物轮廓中的拐点。
比如：若障碍物为建筑物等体积较大的障碍物时，可以基于建筑物结构外观的特点进行像素特征点的提取；若障碍物为广告牌、树木等体积较小的障碍物时，可以直接将其轮廓的边缘点作为像素特征点。
本实施例以广告牌为障碍物进行说明，如图2所示。无人机由左至右航行，以无人机航行方向作为x轴，其水平方向为y轴，建立平面直角坐标系。无人机在预设导航周期T1时刻位于点A位置，障碍物D为广告牌，在其获取到的无人机视觉图像中障碍物D的第一障碍物轮廓为E1，选定第一像素特征点和第二像素特征点为其第一障碍物轮廓E1水平方向两侧的边缘点，因此，第一轮廓距离为T1时刻障碍物D在无人机视觉图像中水平方向的长度。
当到达预设导航周期T2时刻，无人机位于点B，此时障碍物D在无人机视觉图像中的第二障碍物轮廓为E2，同样的，将第二障碍物轮廓E2水平方向两侧的边缘点作为第三像素特征点和第四像素特征点，第二轮廓距离为T2时刻障碍物D在无人机视觉图像中水平方向的长度。
设定无人机在预设导航周期T1-T2期间航行速度保持不变，基于三角函数关系，便可以计算出轮廓变化大小的取值。
需要说明的是，图2中的虚线为无人机的视觉范围。
步骤204，计算第一轮廓距离与第二轮廓距离的差值，记作轮廓变化大小的取值。
在上述实施例的基础上，为了提高对导航方向、航速修正的准确性，并充分利用风力，提高无人机的续航能力，本实施例又示出一种对初始导航方向和初始导航航速进行修正的方法，具体包括：
步骤211，判断无人机与障碍物的间距是否小于或等于预设航向调整距离，若是，执行步骤212，若否，执行步骤213，其中，预设航向调整距离为保证无人机安全航行、平稳修正导航方向的设定值。
步骤212，确定障碍物与无人机距离最近的位置点，将位置点记作圆点，以预设航向调整距离为半径，生成航迹调整圆，并以内接边长生成航迹调整圆的内接多边形，选定航向修正边并计算航向修正边与当前航行方向之间的夹角，将夹角记作航向调整角α，基于航向调整角α修正初始导航方向，其中，内接边长为无人机当前航速与预设导航周期时长的乘积，航向修正边为内接多边形中距离无人机最近且沿远离障碍物方向的内接边长；
具体的，如图2所示，当无人机航行至点B时，通过判断，此时无人机与障碍物D的间距等于设定的预设航向调整距离，因此，以预设航向调整距离为半径，以障碍物D下边缘的顶点为圆心，生成航迹调整圆，其中，圆弧F为航迹调整圆中的部分。
由于点B位于航迹调整圆上，以点B为内接多边形的一个顶点，以无人机当前航速与预设导航周期时长的乘积作为内接边长，生成内接多边形。为了使无人机远离障碍物D，因此，选取内接边长G作为航向修正边，计算航向修正边G与当前航行方向之间的夹角α，记作航向调整角，修正初始导航方向。
本实施例对基于角度对导航方向进行修正的实现方式并不限定。
步骤213，基于风向角与风速大小，计算第一航速修正值，根据第一航速修正值修正初始导航航速。
具体的，当无需对无人机的航向进行修正时，可直接根据风向角与风速大小，计算第一航速修正值。为了提高航速修正的准确性，将当前航向的垂直平面以每45°为一个方向范围，划分出八个航速修正区域，因此，第一航速修正值Δv1对应的计算公式为：
式中，Δv1为第一航速修正值，vT为当前预设导航周期T时刻的风速大小，θT为当前预设导航周期T时刻的风向角。
待得到第一航速修正值Δv1后，采用和运算的形式，对当前惯性导航计算出的初始导航航速进行修正，实现基于风速对初始导航航速的修正，达到延长无人机续航时长的目的。
进一步的，对于需要修正无人机航向的情况，为了保证航速修正的准确性，提高无人机导航的控制精度，步骤212中还包括：
基于航向调整角与风向角的向量和，结合风速大小和历史航迹，计算第二航速修正值，根据第二航速修正值修正初始导航航速，其中，第二航速修正值的计算公式为：
Δv2＝Δv1′+ΔvT
a1＝0.5(MaxIter-ηT)/MaxIter
式中，Δv2为第二航速修正值，Δv1′为风速修正参量，ΔvT为航迹修正参量，vT为当前预设导航周期T时刻的风速大小，θT为当前预设导航周期T时刻的风向角，α为航向调整角，t为中间参数，t＝1，2，...，η，η为无人机航行至当前时刻对应的预设导航周期的个数，at为等分参数，其中，a2、a3、...、aη-1为a1～aη的等分值，aη＝1，rand(t)为第t个等分参数at对应的第t个在(0，1)区间上服从均匀分布的随机数，MaxIter为无人机最大航行时长，ηT为无人机已经航行的时长，xt为历史航迹中第t个航迹坐标，xη为无人机当前预设导航周期时刻的位置坐标，其中，历史航迹由到达每一个预设导航周期时刻无人机所在的位置坐标组成。
待得到第二航速修正值Δv2后，采用和运算的形式，对当前惯性导航计算出的初始导航航速进行修正，实现基于航向调整角、风向角、风速、历史航迹对初始导航航速的修正，提高无人机导航的控制精度。
步骤30，根据修正后的导航方向和导航航速，生成无人机导航指令，重复执行步骤10，直至完成无人机导航。
具体的，通过本实施例中的上述过程，结合视觉处理技术，对无人机视觉图像中障碍物进行识别，再结合计算出的与障碍物的间距，实现基于障碍物、风速、风向等信息，对无人机惯性导航输出的导航方向和导航航速的修正，有助于提高无人机惯性导航的精度，降低导航算法的复杂程度，提高无人机导航控制的实时性。
以上结合附图详细说明了本申请的技术方案，本申请提出了一种适用于无人机的惯性组合导航方法，包括：步骤10，基于预设导航周期和惯性导航算法，获取无人机导航过程中的初始导航方向和初始导航航速；步骤20，确定无人机视觉图像中障碍物与无人机之间的间距，并结合当前时刻的风速大小和风向角，对初始导航方向和初始导航航速进行修正；步骤30，根据修正后的导航方向和导航航速，生成无人机导航指令，重复执行步骤10，直至完成无人机导航。通过本申请中的技术方案，基于无人机航行路线中的障碍物及风速、风向，对无人机惯性导航过程中的导航方向与导航速度进行修正，提高无人机惯性导航的精度，降低导航算法的复杂程度，提高无人机导航控制的实时性。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
本申请装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (6)
1.一种适用于无人机的惯性组合导航方法，其特征在于，所述方法包括：
步骤10，基于预设导航周期和惯性导航算法，获取无人机导航过程中的初始导航方向和初始导航速度；
步骤20，确定所述无人机视觉图像中障碍物与所述无人机之间的间距，并结合当前时刻的风速大小和风向角，对所述初始导航方向和所述初始导航航速进行修正；
步骤30，根据修正后的导航方向和导航航速，生成无人机导航指令，重复执行所述步骤10，直至完成无人机导航。
2.如权利要求1所述的适用于无人机的惯性组合导航方法，其特征在于，所述步骤20中，所述无人机视觉图像中障碍物与所述无人机之间的间距，由所述无人机当前航速和所述障碍物的轮廓变化大小的取值确定，
其中，所述轮廓变化大小的取值为相邻两个预设导航周期内无人机视觉图像中所述障碍物相同部位的高度差值。
3.如权利要求1所述的适用于无人机的惯性组合导航方法，其特征在于，所述步骤20中，所述轮廓变化大小的取值的计算过程，具体包括：
步骤201，采用图像分割的方式，识别第一预设导航周期内无人机视觉图像中的第一障碍物轮廓；
步骤202，提取所述第一障碍物轮廓中的第一像素特征点和第二像素特征点，并基于所述第一像素特征点和所述第二像素特征点，计算所述障碍物的第一轮廓距离，其中，所述第一轮廓距离为所述第一像素特征点和所述第二像素特征点的间距；
步骤203，采用图像分割的方式，识别第二预设导航周期内无人机视觉图像中的第二障碍物轮廓，并基于所述第一像素特征点和所述第二像素特征点，提取所述第二障碍物轮廓中的第三像素特征点和第四像素特征点，以计算所述障碍物的第二轮廓距离，其中，所述第二轮廓距离为所述第三像素特征点和所述第四像素特征点的间距；
步骤204，计算所述第一轮廓距离与所述第二轮廓距离的差值，记作所述轮廓变化大小的取值。
4.如权利要求1所述的适用于无人机的惯性组合导航方法，其特征在于，所述步骤20中，对所述初始导航方向和所述初始导航航速进行修正，具体包括：
步骤211，判断所述无人机与障碍物的间距是否小于或等于预设航向调整距离，若是，执行步骤212，若否，执行步骤213；
步骤212，确定所述障碍物与所述无人机距离最近的位置点，将所述位置点记作圆点，以预设航向调整距离为半径，生成航迹调整圆，并以内接边长生成航迹调整圆的内接多边形，选定航向修正边并计算所述航向修正边与当前航行方向之间的夹角，将夹角记作航向调整角α，基于航向调整角α修正初始导航方向，其中，所述内接边长为无人机当前航速与预设导航周期时长的乘积，所述航向修正边为所述内接多边形中距离所述无人机最近且沿远离障碍物方向的内接边长；
步骤213，基于所述风向角与所述风速大小，计算第一航速修正值，根据所述第一航速修正值修正所述初始导航航速。
5.如权利要求4所述的适用于无人机的惯性组合导航方法，其特征在于，所述步骤212中，还包括：
基于所述航向调整角与所述风向角的向量和，结合所述风速大小和历史航迹，计算第二航速修正值；
根据所述第二航速修正值，修正所述初始导航航速。
6.如权利要求1所述的适用于无人机的惯性组合导航方法，其特征在于，所述步骤20之前，还包括：
获取所述无人机视觉图像，以及当前时刻的所述风速大小和所述风向角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110890802.4A CN113390410B (zh) | 2021-08-04 | 2021-08-04 | 一种适用于无人机的惯性组合导航方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110890802.4A CN113390410B (zh) | 2021-08-04 | 2021-08-04 | 一种适用于无人机的惯性组合导航方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113390410A true CN113390410A (zh) | 2021-09-14 |
| CN113390410B CN113390410B (zh) | 2023-01-13 |
Family
ID=77622391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110890802.4A Active CN113390410B (zh) | 2021-08-04 | 2021-08-04 | 一种适用于无人机的惯性组合导航方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113390410B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070187554A1 (en) * | 2004-03-05 | 2007-08-16 | Elias Bitar | Curvilinear distance estimation method for a moving vehicle with limited maneuverability |
| CN103954283A (zh) * | 2014-04-01 | 2014-07-30 | 西北工业大学 | 基于景象匹配/视觉里程的惯性组合导航方法 |
| CN104165627A (zh) * | 2014-08-27 | 2014-11-26 | 电子科技大学 | 一种基于线性规划的实时动态航迹规划方法 |
| CN105021184A (zh) * | 2015-07-08 | 2015-11-04 | 西安电子科技大学 | 一种用于移动平台下视觉着舰导航的位姿估计系统及方法 |
| CN105892487A (zh) * | 2016-04-18 | 2016-08-24 | 西安爱生技术集团公司 | 一种无人机8字形航迹控制方法 |
| CN106708066A (zh) * | 2015-12-20 | 2017-05-24 | 中国电子科技集团公司第二十研究所 | 基于视觉/惯导的无人机自主着陆方法 |
| CN106767791A (zh) * | 2017-01-13 | 2017-05-31 | 东南大学 | 一种采用基于粒子群优化的ckf的惯性/视觉组合导航方法 |
| CN106909148A (zh) * | 2017-03-10 | 2017-06-30 | 南京沃杨机械科技有限公司 | 基于农田环境感知的农机无人驾驶导航方法 |
| US20180224855A1 (en) * | 2017-02-03 | 2018-08-09 | Sentera, Llc | Autonomous Vehicle Maneuver Recognition |
| CN108426576A (zh) * | 2017-09-15 | 2018-08-21 | 辽宁科技大学 | 基于标识点视觉导航与sins的飞行器路径规划方法及系统 |
| CN108844538A (zh) * | 2018-05-07 | 2018-11-20 | 中国人民解放军国防科技大学 | 一种基于视觉/惯导的无人机避障航点生成方法 |
| CN110827329A (zh) * | 2019-10-15 | 2020-02-21 | 四方智能(武汉)控制技术有限公司 | 一种无人船自主泊岸方法、计算机设备及存储介质 |
| CN111367318A (zh) * | 2020-03-31 | 2020-07-03 | 华东理工大学 | 一种基于视觉语义信息的动态障碍环境导航方法和装置 |
| CN111595356A (zh) * | 2020-04-27 | 2020-08-28 | 珠海市一微半导体有限公司 | 一种激光导航机器人的工作区域构建方法 |
| WO2020253028A1 (zh) * | 2019-06-18 | 2020-12-24 | 华南理工大学 | 一种基于航迹重规划的水面无人艇动态避碰方法 |
| CN112256027A (zh) * | 2020-10-15 | 2021-01-22 | 珠海市一微半导体有限公司 | 一种机器人基于视觉角度纠正惯性角度的导航方法 |
| CN112799426A (zh) * | 2020-12-25 | 2021-05-14 | 陈南方 | 一种基于大数据分析的无人机导航控制系统及方法 |
| CN113124864A (zh) * | 2021-04-19 | 2021-07-16 | 江苏虹湾威鹏信息技术有限公司 | 一种采用机器视觉和惯导融合的水面导航方法 |
-
2021
- 2021-08-04 CN CN202110890802.4A patent/CN113390410B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070187554A1 (en) * | 2004-03-05 | 2007-08-16 | Elias Bitar | Curvilinear distance estimation method for a moving vehicle with limited maneuverability |
| CN103954283A (zh) * | 2014-04-01 | 2014-07-30 | 西北工业大学 | 基于景象匹配/视觉里程的惯性组合导航方法 |
| CN104165627A (zh) * | 2014-08-27 | 2014-11-26 | 电子科技大学 | 一种基于线性规划的实时动态航迹规划方法 |
| CN105021184A (zh) * | 2015-07-08 | 2015-11-04 | 西安电子科技大学 | 一种用于移动平台下视觉着舰导航的位姿估计系统及方法 |
| CN106708066A (zh) * | 2015-12-20 | 2017-05-24 | 中国电子科技集团公司第二十研究所 | 基于视觉/惯导的无人机自主着陆方法 |
| CN105892487A (zh) * | 2016-04-18 | 2016-08-24 | 西安爱生技术集团公司 | 一种无人机8字形航迹控制方法 |
| CN106767791A (zh) * | 2017-01-13 | 2017-05-31 | 东南大学 | 一种采用基于粒子群优化的ckf的惯性/视觉组合导航方法 |
| US20180224855A1 (en) * | 2017-02-03 | 2018-08-09 | Sentera, Llc | Autonomous Vehicle Maneuver Recognition |
| CN106909148A (zh) * | 2017-03-10 | 2017-06-30 | 南京沃杨机械科技有限公司 | 基于农田环境感知的农机无人驾驶导航方法 |
| CN108426576A (zh) * | 2017-09-15 | 2018-08-21 | 辽宁科技大学 | 基于标识点视觉导航与sins的飞行器路径规划方法及系统 |
| CN108844538A (zh) * | 2018-05-07 | 2018-11-20 | 中国人民解放军国防科技大学 | 一种基于视觉/惯导的无人机避障航点生成方法 |
| WO2020253028A1 (zh) * | 2019-06-18 | 2020-12-24 | 华南理工大学 | 一种基于航迹重规划的水面无人艇动态避碰方法 |
| CN110827329A (zh) * | 2019-10-15 | 2020-02-21 | 四方智能(武汉)控制技术有限公司 | 一种无人船自主泊岸方法、计算机设备及存储介质 |
| CN111367318A (zh) * | 2020-03-31 | 2020-07-03 | 华东理工大学 | 一种基于视觉语义信息的动态障碍环境导航方法和装置 |
| CN111595356A (zh) * | 2020-04-27 | 2020-08-28 | 珠海市一微半导体有限公司 | 一种激光导航机器人的工作区域构建方法 |
| CN112256027A (zh) * | 2020-10-15 | 2021-01-22 | 珠海市一微半导体有限公司 | 一种机器人基于视觉角度纠正惯性角度的导航方法 |
| CN112799426A (zh) * | 2020-12-25 | 2021-05-14 | 陈南方 | 一种基于大数据分析的无人机导航控制系统及方法 |
| CN113124864A (zh) * | 2021-04-19 | 2021-07-16 | 江苏虹湾威鹏信息技术有限公司 | 一种采用机器视觉和惯导融合的水面导航方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHANG, CHUNMING 等: "Fast Threshold Image Segmentation Based on 2D Fuzzy Fisher and Random Local Optimized QPSO", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 刘斌: "基于视觉和惯性的移动机器人室内定位研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113390410B (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675307B (zh) | 基于vslam的3d稀疏点云到2d栅格图的实现方法 | |
| CN110588653B (zh) | 自主车辆的控制系统、控制方法以及控制器 | |
| CN111626217B (zh) | 一种基于二维图片和三维点云融合的目标检测和追踪方法 | |
| CN111583369B (zh) | 一种基于面线角点特征提取的激光slam方法 | |
| US10678253B2 (en) | Control systems, control methods and controllers for an autonomous vehicle | |
| CN111126269B (zh) | 三维目标检测方法、装置以及存储介质 | |
| US20190361454A1 (en) | Control systems, control methods and controllers for an autonomous vehicle | |
| US8818702B2 (en) | System and method for tracking objects | |
| CN112212872B (zh) | 基于激光雷达和导航地图的端到端自动驾驶方法及系统 | |
| CN110009029B (zh) | 基于点云分割的特征匹配方法 | |
| CN111551957B (zh) | 基于激光雷达感知的园区低速自动巡航及紧急制动系统 | |
| CN111830979A (zh) | 一种轨迹优化方法和装置 | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| US20220342427A1 (en) | Information processing device, information processing method, and program | |
| CN115923839A (zh) | 一种车辆路径规划方法 | |
| KR102552719B1 (ko) | 주행경로 자동생성방법 및 장치 | |
| CN113420648A (zh) | 一种具有旋转适应性的目标检测方法及系统 | |
| CN113390410B (zh) | 一种适用于无人机的惯性组合导航方法 | |
| CN113465598A (zh) | 一种适用于无人机的惯性组合导航系统 | |
| CN116206286A (zh) | 高速路况下的障碍物检测方法、装置、设备和介质 | |
| Zhou et al. | A real-time scene parsing network for autonomous maritime transportation | |
| WO2023009180A1 (en) | Lidar-based object tracking | |
| CN114353799A (zh) | 搭载多线激光雷达的无人驾驶平台室内快速全局定位方法 | |
| Yan et al. | RH-Map: Online Map Construction Framework of Dynamic Object Removal Based on 3D Region-wise Hash Map Structure | |
| Raaijmakers et al. | Circle detection in single-layer laser scans for roundabout perception |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210914 Assignee: Zhongguancun Technology Leasing Co.,Ltd. Assignor: Beijing Heng Heng science and Technology Research Institute Co.,Ltd. Contract record no.: X2024980001511 Denomination of invention: An Inertial Integrated Navigation Method Suitable for Drones Granted publication date: 20230113 License type: Exclusive License Record date: 20240125 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An Inertial Integrated Navigation Method Suitable for Drones Granted publication date: 20230113 Pledgee: Zhongguancun Technology Leasing Co.,Ltd. Pledgor: Beijing Heng Heng science and Technology Research Institute Co.,Ltd. Registration number: Y2024980003388 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |