CN113551663B - 图像与地磁组合的飞行器姿态解算系统及方法 - Google Patents

图像与地磁组合的飞行器姿态解算系统及方法 Download PDF

Info

Publication number
CN113551663B
CN113551663B CN202110688133.2A CN202110688133A CN113551663B CN 113551663 B CN113551663 B CN 113551663B CN 202110688133 A CN202110688133 A CN 202110688133A CN 113551663 B CN113551663 B CN 113551663B
Authority
CN
China
Prior art keywords
image
aircraft
neural network
training
output
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
CN202110688133.2A
Other languages
English (en)
Other versions
CN113551663A (zh
Inventor
王辉
刘灿
林德福
王伟
王江
宋韬
何绍溟
孙昕
宾域如
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110688133.2A priority Critical patent/CN113551663B/zh
Publication of CN113551663A publication Critical patent/CN113551663A/zh
Application granted granted Critical
Publication of CN113551663B publication Critical patent/CN113551663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像与地磁组合的飞行器姿态解算系统及方法，基于神经网络对拍摄图像识别获取旋转角度，根据地磁信息，获得地磁分量，综合图像旋转角度与地磁分量，获得飞行器姿态。本发明提供的图像与地磁组合的飞行器姿态解算系统及方法，具有解算准确率高、抗干扰性强等优点。

Description

图像与地磁组合的飞行器姿态解算系统及方法
技术领域
本发明涉及一种飞行器姿态解算系统及方法，具体涉及一种图像与地磁组合的飞行器姿态解算系统及方法，属于飞行器姿态控制领域。
背景技术
现代社会对飞行器的导航精度和可靠性要求日益提高，而获得准确的姿态信息是飞行器正常飞行的前提。
传统的飞行器的姿态解算通常是由陀螺，GPS卫星来估算飞行器的姿态。
陀螺存在以下问题：(1)传统的的陀螺价格昂贵；(2)常见的MEMS陀螺精度较低；(3)陀螺漂移会在短时间内引起较大的姿态误差；(4)当滚转飞行器处于高转速状态下，陀螺量程和精度难以达标。
GPS卫星辅助存在以下问题：虽然通过对安装在飞行器上的多个GPS天线测得的载波相位信息进行差分处理，就可以实时确定飞行器的姿态，但在实际的过程中存在着卫星信号无法获取的情况，此时便无法使用GPS信息来解算飞行器的姿态。
由于上述原因，有必要研究一种有别于传统的飞行器的姿态解算系统及方法，以应对多种使用环境。
发明内容
为了克服上述问题，本发明人进行了锐意研究，一方面，设计出一种图像与地磁组合的飞行器姿态解算系统，该系统包括CCD模块、地磁模块和中央处理器模块，
所述CCD模块包括：
摄像头，获取图像传递至第一微处理器；
第一微处理器，根据摄像头传递的图像解算飞行器的滚转角，
所述地磁模块包括：
地磁场传感器，测量地磁信号传递至第二微处理器；
第二微处理器，接收地磁信号，解算飞行器地磁分量，获得地磁分量与姿态角之间的关系；
所述中央处理器模块，接收第一微处理器和第二微处理器处理的结果，将CCD模块获得的滚转角与地磁分量与姿态角之间的关系结合，获得飞行器的滚转角、俯仰角和偏航角。
进一步地，在第一微处理器中搭载有神经网络，通过神经网络获取滚转角。
另一方面，发明人还提供了一种图像与地磁组合的飞行器姿态解算方法，包括以下步骤：
S1、拍摄图像，获得图像旋转角度；
S2、测量地磁信息，获得地磁分量；
S3、综合图像旋转角度与地磁分量，获得飞行器姿态；
其中，步骤S1和S2可同时进行。
在步骤S1中，基于神经网络对图像进行处理，获得图像旋转角度。
优选地，在步骤S1中，包含以下子步骤：
S11、对图像进行预处理，降低图像大小，使得图像可使用像素点数组表示；
S12、使用神经网络辨识图像旋转角度，作为飞行器的滚转角。
优选地，步骤S11包括以下子步骤：
S111、对图像进行降噪；
S112、对图像进行灰度处理；
S113、对图像进行二值化处理。
优选地，在步骤S12之前，还具有步骤S0、训练神经网络，包括以下子步骤：
S01、训练图像预处理，将训练库中的连续图像按照步骤S11进行处理，获得每张图像的像素点数组Pi i∈[1,n]，n表示图像的总张数；
S02、设置训练样本集，将连续两张图像的像素点数组作为训练过程中输入层的输入，将第二张图片对应的飞行器滚转角作为输出层的输出；
S03、训练样本依次输入神经网络，对神经网络进行训练。
优选地，在步骤S03中，将不同的训练样本Xi作为输入层的输入数据，
训练输入层的神经元输出为
训练隐含层神经元的输入为：
训练隐含层神经元的输出为：
其中，m表示隐含层神经元的个数，j表示不同的隐含层神经元，为第j个隐含层神经元的输入，/>为第j个隐含层神经元的输出，/>为第i个输入层神经元至第j个隐含层神经元的连接权值；
输出层神经元的输出为：
其中，为第j个隐含层神经元至输出层神经元的权值。
优选地，在步骤S12中，包括以下子步骤：
S121、图像预处理，将摄像头拍摄的连续的两张图像按照步骤S11进行处理，获得两张图像的像素点数组Pt和Pt-1。
S122、将Pt和Pt-1合并为一个数组X，作为神经网络的输入，通过神经网络获得输出ym，该输出ym即为飞行器的滚转角γ。
优选地，在步骤S2中，利用地磁传感器器可测得飞行器在当前环境磁场下的地磁分量，获得飞行器坐标下的磁分量之间的关系为：
其中，Hb表示地磁量，分别表示飞行器x、y、z轴下的地磁分量，γ表示飞行器滚转角，ψ表示飞行器的偏航角，θ表示飞行器的俯仰角，/>分别表示飞行器在地理坐标系三轴上的地磁分量，由地磁传感器测得。
本发明所具有的有益效果包括：
(1)通过采用BP神经网络学习方法来辨识CCD相机图像的旋转角度，使得飞行器能够高效的判断飞行姿态；
(2)在运行过程中不与外部发生信息交互，能让飞行器自主判断姿态，具有强抗干扰性；
(3)可适用于各种型号的飞行器上，是一种通用的高机动飞行器姿态辨识方法，具有广谱适应性。
附图说明
图1示出根据本发明一种优选实施方式的图像与地磁组合的飞行器姿态解算系统结构示意图；
图2示出根据本发明一种优选实施方式的图像与地磁组合的飞行器姿态解算方法流程示意图；
图3示出实施例1中BP神经网络识别成功率；
图4示出实验例1、对比例1中滚转角误差图；
图5示出实验例1、对比例1中辨识滚转角与滚转角真实值对比图；
图6示出实施例2、对比例2中辨识的俯仰角与真实值对比图；
图7示出实施例2、对比例2中辨识的滚转角与真实值对比图；
图8示出实施例2、对比例2中辨识的偏航角与真实值对比图；
图9示出根据本发明一种优选实施方式的图像与地磁组合的飞行器姿态解算方法二值化的阈值迭代过程示意图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
为满足飞行器实际应用的多样性，应对多种使用环境，在本发明中，结合图像识别与地磁信息对飞行器姿态进行解算。
一方面，本发明提供了一种图像与地磁组合的飞行器姿态解算系统，包括CCD模块、地磁模块和中央处理器模块，如图1所示。
所述CCD模块包括：
摄像头，获取图像传递至第一微处理器；
第一微处理器，根据摄像头传递的图像解算飞行器的滚转角，优选地，在第一微处理器中搭载有神经网络，通过神经网络获取滚转角。
所述地磁模块包括：
地磁场传感器，测量地磁信号传递至第二微处理器；
第二微处理器，接收地磁信号，解算飞行器地磁分量，获得地磁分量与姿态角之间的关系。
进一步地，在CCD模块、地磁模块中还可以具有AD转换器，所述AD转换器位于摄像头与第一微处理器之间，和地磁场传感器与第二微处理器之间，用于将摄像头和地磁传感器获得的模拟信号转换为数字信号，以便第一微处理器和第二微处理器进行处理。
所述中央处理器模块，接收第一微处理器和第二微处理器处理的结果，将CCD模块获得的滚转角与地磁分量与姿态角之间的关系结合，获得飞行器的滚转角、俯仰角和偏航角。
根据本发明一个优选的实施方式，第一微处理器中的神经网络为BP神经网络。
进一步地，BP神经网络的输入X为连续两张图像的像素点数组，表示为X＝[PtPt-1]，其中Pt表示当前图像的像素点数组，Pt-1表示上一张图像的像素点数组；
输入层的神经元输出为：O(1)＝X；
隐含层神经元的输入为：其中，/>表示输入层至隐含层的连接权重，通过神经网络训练获得；
隐含层神经元的输出为：O(2)＝f(net(2))，其中，f(net(2))表示隐含层的激励函数；
输出层的输出为：其中，/>表示隐含层至输出层的权重，通过神经网络训练获得。
在一个优选的实施方式中，所述隐含层的激励函数为log-sigmoid,即
其中，x为传递值。
另一方面，本发明还提供了一种图像与地磁组合的飞行器姿态解算方法，包括以下步骤：
S1、拍摄图像，获得图像旋转角度；
S2、测量地磁信息，获得地磁分量；
S3、综合图像旋转角度与地磁分量，获得飞行器姿态。
其中，步骤S1和S2可同时进行。
在步骤S1中，基于神经网络对图像进行处理，获得图像旋转角度。
发明人发现，传统的飞行器的滚转角辨识主要是使用陀螺仪，使用EKF算法计算，但是EKF算法需要对初始状态X0的误差和初始协方差P0有要求，当初始误差过大时，滚转角收敛较慢甚至发散，且识别精度很大程度取决与陀螺仪本身的精度。在本发明中，使用BP神经网络的图像辨识方法，在训练库充足的情况下，可使辨识精度达到传统EKF算法的数倍，且对初始状态误差的没有要求，在辨识精度和成本上有巨大优势。
进一步地，在步骤S1中，包含以下子步骤：
S11、对图像进行预处理，降低图像大小，使得图像可使用像素点数组表示；
S12、使用神经网络辨识图像旋转角度，作为飞行器的滚转角。
由于摄像头拍摄的图像较大，其中存在大量的无用信息，直接采用拍摄的图像输入神经网络进行辨识，一来影响辨识的准确性，二来影响辨识的速率，导致解算灵敏度降低。
因此，在采用神经网络辨识前，需要降低图片大小，优选地，步骤S11包括以下子步骤：
S111、对图像进行降噪；
S112、对图像进行灰度处理；
S113、对图像进行二值化处理。
摄像头拍摄的图像中，会有一定的尖锐噪声，不利于识别，在步骤S111中，采用滤波的方式对图像进行降噪，优选采用中值滤波的方式对图像进行降噪，使得图片的椒盐噪声更少。
所述椒盐噪声是图像中随机出现的白点或者黑点像素噪声。
在步骤S112中，运用浮点算法对图像进行灰度处理，优选地，所述浮点算法表示为：
Gray＝R*0.3+G*0.59+B*0.11
其中，R表示图像像素点中红色通道的数值，G表示图像像素点中绿色通道的数值，B表示图像像素点中蓝色通道的数值，Gray表示灰度处理后像素点的数值。
在步骤S113中，通过二值化将图像中每个像素点的灰度值Gray转变为0或255，即让整个图像呈现只有黑和白的效果，当Gray为0时，该像素点为黑色，当Gray为255时，该像素点为白色。
优选地，二值化的阈值Graym获取使用迭代法，具体地，设置一个初始阈值T0，在一次迭代中，把图像的所有像素点分成两类，一类的像素值均小于等于阈值，作为背景区域，另一类的像素值均大于阈值，作为前景区域，然后分别计算背景区域与前景区域的像素平均值m0、m1，并取m0与m1之和的一半作新的阈值进行下一轮迭代；直至当前轮迭代得到的阈值与上一轮迭代的阈值相差小于1，则结束迭代，最终获得的阈值即为二值化的阈值Graym，其流程图如图9所示。
进一步地，将灰度值大于等于阈值Graym的像素点灰度值更改为255，将灰度值小于阈值Graym的像素点灰度值更改为0，从而完成二值化。
根据本发明，图像经过二值化后，将图像表示为像素点数组P，像素点数组P中的元素为图像不同像素点的二值化后的灰度值。
在步骤S12中，所述神经网络优选为BP神经网络。
具体地，包括以下子步骤：
S121、图像预处理，将摄像头拍摄的连续的两张图像按照步骤S11进行处理，获得两张图像的像素点数组Pt和Pt+1。
S122、将Pt和Pt+1合并为一个数组X，作为神经网络的输入，通过神经网络获得输出ym，该输出ym即为飞行器的滚转角γ。
具体地，神经网络的输入为X＝[Pt Pt-1]。
输入层的输出为：O(1)＝X
隐含层神经元的输入为：
隐含层神经元的输出为：O(2)＝f(net(2))
隐含层的激励函数为：
输出层的输出为：
根据本发明，在使用神经网络之前，需要对神经网络进行训练。
常规的神经网络，使用模型与网络模型完全相同，然而此种训练方式忽略了连续图片对后续图片的影响，降低了神经网络辨识的准确性。
在本发明中，在步骤S12之前，还具有步骤S0、训练神经网络，包括以下子步骤：
S01、训练图像预处理，将训练库中的连续图像按照步骤S11进行处理，获得每张图像的像素点数组Pt t∈[1,z]，z表示图像的总张数，优选地，z大于500，发明人发现，当样本数量大于500时，神经网络识别成功率可达99.99％，完全满足使用要求。
在本发明中，对训练库的来源不做特别限定，可以是采用公开的视觉识别项目数据库，也可以是本领域技术人员根据需要自行制作的数据库，优选地，所述训练库为ImageNet，ImageNet是一个用于视觉对象识别软件研究的大型可视化数据库，是目前世界上图像识别最大的数据库。
S02、设置训练样本集，将连续两张图像的像素点数组作为训练过程中输入层的输入，将第二张图片对应的飞行器滚转角作为输出层的输出。
由于每连续两张图片像素点数组共同作为输入层的输入，则z张图片共产生训练样本z-1个，每个训练样本记为xt＝[Pt Pt+1]，t∈[1,z-1]。
S03、训练样本依次输入神经网络，对神经网络进行训练。
在步骤S03中，由于训练样本共z-1个，共进行z-1组数据的训练，每组训练时，将训练样本xt作为输入层的输入数据，优选将xt的一个列向量作为一个输入层神经元，例如，所采用的图像为640*640像素的图片，则两张图片合成的数组xt有1280个神经元，该次训练输入层的神经元输出为其中i代表第i个输入层神经元，n表示神经元的总数，优选为两张图片总的列向量数，例如图像为640*640像素的图片时，n＝1280；
进一步地，该次训练隐含层神经元的输入为：
其中，m表示隐含层神经元的个数，j表示不同的隐含层神经元，为第j个隐含层神经元的输入，/>为第j个隐含层神经元的输出，/>为第i个输入层神经元至第j个隐含层神经元的连接权值。
进一步地，隐含层的激励函数为log-sigmoid,即
其中，x为传递值。
进一步地，输出层神经元的输出为：
其中，为第j个隐含层神经元至输出层神经元的权值。
在一个优选的实施方式中，训练过程中权值进行如下更新：
其中，η是学习速率，优选为0.85～0.95，k为时序，即第K次训练，和/>是考虑以前积累的经验，即以前时刻的梯度方向，从而避免学习过程发生振荡，致使收敛缓慢，其中α是为动量项因子，且α∈[0,1)。
优选地，步骤S03后，还具有步骤S04、神经网络性能验证。
在步骤S04中，通过比对训练后神经网络的输出与期望输出的差距判定神经网络时候需要继续训练。
具体地，从训练库中选择若干连续的图片，按照步骤S11中的方式进行处理后，输入训练后的神经网络，获得输出y。
根据输出ym与图片对应的飞行器滚转角y进行比对，获得输出误差e和性能指标E：
e＝y-ym
进一步地，当性能指标E小于10-6时，表示训练后的神经网络满足使用要求；性能指标E大于等于10-6时，表示神经网络仍然需要训练，重复步骤S01～S04，直至训练后的神经网络满足使用要求。
在步骤S2中，利用地磁传感器可测得飞行器在当前环境磁场下的地磁分量，根据欧拉角姿态转换矩阵，将地磁分量从导航坐标系下转换为飞行器坐标系可得：
其中，Hb表示飞行器坐标系下的地磁量，分别表示飞行器x、y、z轴下的地磁分量，γ表示飞行器滚转角，ψ表示飞行器的偏航角，θ表示飞行器的俯仰角，Hl表示地理坐标系下的地磁量。
进一步地，可获得飞行器坐标下的磁分量之间的关系为：
其中，分别表示飞行器在地理坐标系三轴上的地磁分量，由地磁传感器测得。
在步骤S3中，将步骤S1中获得的滚转角代入步骤S2中的磁分量关系式中，即可完成完整的姿态解算。
具体地，由于式(二)中三个等式并不完全独立的，可以由其中两个等式推导出另外一个等式，因此方程组实际上是一个欠定方程组，其有无数多个解，必须至少已知滚转角、偏航角或俯仰角中的一个姿态角才能解得其余姿态角，而步骤S1中已获得滚转角，结合S1和S2即可获得飞行器的偏航角和俯仰角。
进一步优选地，基于滚转角、偏航角和俯仰角，利用多元线性回归方程即可获得一个较接近于飞行器真实姿态信息的数据。
实施例
实施例1
采用ImageNet训练库中部分图片和滚转角，训练BP神经网络，用训练好的神经网络辨识训练库中其它图片获得滚转角。
其中，训练神经网络中输入层的神经元输出为：
隐含层神经元的输入为：
隐含层神经元的输出为：
隐含层的激励函数为log-sigmoid,
输出层神经元的输出为：
训练过程中权值进行如下更新：
采用BP神经网络辨识图片获得滚转角的过程中，按照以下步骤进行：
S11、对图像进行预处理，降低图像大小，使得图像可使用像素点数组表示；
S12、使用神经网络辨识图像旋转角度。
步骤S11中，包括以下子步骤：
S111、对图像进行降噪；
S112、对图像进行灰度处理；
S113、对图像进行二值化处理。
具体地，在步骤S111中，采用中值滤波的方式对图像进行降噪；
在步骤S112中，运用浮点算法对图像进行灰度处理，浮点算法为：Gray＝R*0.3+G*0.59+B*0.11
在步骤S113中，通过二值化将图像中每个像素点的灰度值Gray转变为0或255，将图像表示为像素点数组P。
在步骤S12中，将摄像头拍摄的连续的两张图像按照步骤S11进行处理，获得两张图像的像素点数组Pt和Pt-1；
将Pt和Pt-1合并为一个数组X，作为神经网络的输入，通过神经网络获得输出ym，
其中，神经网络的输入为X＝[Pt Pt-1]。
输入层的输出为：O(1)＝X
隐含层神经元的输入为：
隐含层神经元的输出为：O(2)＝f(net(2))
隐含层的激励函数为：
输出层的输出为：
当辨识结果与训练样本中实际滚转角的误差小于0.01°时，认为辨识成功。对不同训练次数下获得的BP神经网络辨识成功率进行统计，结果如图3所示，从图上可以看出，当训练次数在500以上时，准确度可达99.99％，完全可以满足训练要求。
实施例2
经过600次训练后，将实施例1中的神经网络搭载在某飞行器上进行飞行姿态解算半实物仿真试验。
其中，由神经网络输出飞行器的滚转角γ；
由利用地磁传感器获得飞行器在当前环境磁场下的地磁分量，将其转为为飞行器坐标下的磁分量之间的关系为：
将滚转角γ代入磁分量关系式中，对其进行求解，即可获得飞行器的偏航角ψ和俯仰角θ。
对比例1
采用文献【徐慧娟,吴美平,罗兵.EKF和UKF在INS/GPS组合导航中的应用分析[J].航天控制,2006(06):7-10+16.】中提到的EKF算法计算与实施例1中识别图片相同的图片。
对比例2
采用文献【徐慧娟,吴美平,罗兵.EKF和UKF在INS/GPS组合导航中的应用分析[J].航天控制,2006(06):7-10+16.】中提到的EKF算法进行与实施例2中相同的半实物仿真试验。
实验例1
统计实施例1与对比例1中辨识获得的滚转角误差，结果如图4所示，从图中可以看出实施例1中的方法与传统EKF算法相比具有明显的优势，误差能始终保持在一个较小的范围内。
统计实施例1与对比例1中辨识获得的滚转角与训练库中记载的真实值对比图如图5所示，从图上可以看出实施例1中的BP神经网络具有非常好的效果，且从一开始就很好的辨识出滚转角，不需要收敛时间。
统计实施例2与对比例2中辨识获得的飞行姿态，其中俯仰角辨识结果如图6所示，滚转角辨识结果如图7所示，偏航角辨识结果如图8所示。
从图上可以看出实施例2中的BP神经网络辨识结果与真实值相似度极高，其准确度远高于传统的EKF辨识方法，且无需收敛时间。
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。

Claims (7)

1.一种图像与地磁组合的飞行器姿态解算方法，包括以下步骤：
S1、拍摄图像，获得图像旋转角度；
S2、测量地磁信息，获得地磁分量；
S3、综合图像旋转角度与地磁分量，获得飞行器姿态；
在步骤S1中，包含以下子步骤：
S11、对图像进行预处理，降低图像大小，使得图像可使用像素点数组表示；
S12、使用神经网络辨识图像旋转角度，作为飞行器的滚转角；
在步骤S12之前，还具有步骤S0、训练神经网络，包括以下子步骤：
S01、训练图像预处理，将训练库中的连续图像按照步骤S11进行处理，获得每张图像的像素点数组Pi,i∈[1,n]，n表示图像的总张数；
S02、设置训练样本集，将连续两张图像的像素点数组作为训练过程中输入层的输入，将第二张图片对应的飞行器滚转角作为输出层的输出；
S03、训练样本依次输入神经网络，对神经网络进行训练。
2.根据权利要求1所述图像与地磁组合的飞行器姿态解算方法，其中，步骤S1和S2同时进行。
3.根据权利要求1所述图像与地磁组合的飞行器姿态解算方法，其特征在于，
在步骤S1中，基于神经网络对图像进行处理，获得图像旋转角度。
4.根据权利要求1所述图像与地磁组合的飞行器姿态解算方法，其特征在于，
步骤S11包括以下子步骤：
S111、对图像进行降噪；
S112、对图像进行灰度处理；
S113、对图像进行二值化处理。
5.根据权利要求1所述图像与地磁组合的飞行器姿态解算方法，其特征在于，
在步骤S03中，将不同的训练样本Xi作为输入层的输入数据，
训练输入层的神经元输出为
训练隐含层神经元的输入为：
训练隐含层神经元的输出为：
其中，m表示隐含层神经元的个数，j表示不同的隐含层神经元，为第j个隐含层神经元的输入，/>为第j个隐含层神经元的输出，/>为第i个输入层神经元至第j个隐含层神经元的连接权值；
输出层神经元的输出为：
其中，为第j个隐含层神经元至输出层神经元的权值。
6.根据权利要求1所述图像与地磁组合的飞行器姿态解算方法，其特征在于，
在步骤S12中，包括以下子步骤：
S121、图像预处理，将摄像头拍摄的连续的两张图像按照步骤S11进行处理，获得两张图像的像素点数组Pt和Pt-1；
S122、将Pt和Pt-1合并为一个数组X，作为神经网络的输入，通过神经网络获得输出ym，该输出ym即为飞行器的滚转角γ。
7.根据权利要求1所述图像与地磁组合的飞行器姿态解算方法，其特征在于，
在步骤S2中，利用地磁传感器可测得飞行器在当前环境磁场下的地磁分量，获得飞行器坐标下的磁分量之间的关系为：
其中，Hb表示地磁量，分别表示飞行器x、y、z轴下的地磁分量，γ表示飞行器滚转角，ψ表示飞行器的偏航角，θ表示飞行器的俯仰角，/>分别表示飞行器在地理坐标系三轴上的地磁分量，由地磁传感器测得。
CN202110688133.2A 2021-06-21 2021-06-21 图像与地磁组合的飞行器姿态解算系统及方法 Active CN113551663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110688133.2A CN113551663B (zh) 2021-06-21 2021-06-21 图像与地磁组合的飞行器姿态解算系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110688133.2A CN113551663B (zh) 2021-06-21 2021-06-21 图像与地磁组合的飞行器姿态解算系统及方法

Publications (2)

Publication Number Publication Date
CN113551663A CN113551663A (zh) 2021-10-26
CN113551663B true CN113551663B (zh) 2024-03-19

Family

ID=78102238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110688133.2A Active CN113551663B (zh) 2021-06-21 2021-06-21 图像与地磁组合的飞行器姿态解算系统及方法

Country Status (1)

Country Link
CN (1) CN113551663B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114036640A (zh) * 2021-11-08 2022-02-11 中国商用飞机有限责任公司北京民用飞机技术研究中心 飞机姿态确定系统和飞行器

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102901977A (zh) * 2012-10-24 2013-01-30 北京航天自动控制研究所 一种飞行器的初始姿态角的确定方法
CN103128736A (zh) * 2011-12-01 2013-06-05 索尼公司 机器人装置、其控制方法和计算机程序
CN103487052A (zh) * 2013-09-17 2014-01-01 哈尔滨工程大学 一种基于磁传感器组合的飞行器姿态测量方法
CN104897159A (zh) * 2015-05-20 2015-09-09 南京航空航天大学 基于序列图像匹配的飞行器全程导航方法
CN107340711A (zh) * 2017-06-23 2017-11-10 中国人民解放军陆军军官学院 一种基于视频图像的微型飞行器姿态角自动检测方法
KR102259920B1 (ko) * 2020-12-09 2021-06-01 세종대학교산학협력단 실내 환경에서 운행하는 무인 비행체의 방위각의 추정

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103128736A (zh) * 2011-12-01 2013-06-05 索尼公司 机器人装置、其控制方法和计算机程序
CN102901977A (zh) * 2012-10-24 2013-01-30 北京航天自动控制研究所 一种飞行器的初始姿态角的确定方法
CN103487052A (zh) * 2013-09-17 2014-01-01 哈尔滨工程大学 一种基于磁传感器组合的飞行器姿态测量方法
CN104897159A (zh) * 2015-05-20 2015-09-09 南京航空航天大学 基于序列图像匹配的飞行器全程导航方法
CN107340711A (zh) * 2017-06-23 2017-11-10 中国人民解放军陆军军官学院 一种基于视频图像的微型飞行器姿态角自动检测方法
KR102259920B1 (ko) * 2020-12-09 2021-06-01 세종대학교산학협력단 실내 환경에서 운행하는 무인 비행체의 방위각의 추정

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于磁阻传感器的旋转弹姿态测量算法研究;李兴城 等;计算机仿真;第29卷(第5期);51-54, 85页 *

Also Published As

Publication number Publication date
CN113551663A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN101598556B (zh) 一种未知环境下无人机视觉/惯性组合导航方法
AU2018209336B2 (en) Determining the location of a mobile device
CN109708649B (zh) 一种遥感卫星的姿态确定方法及系统
CN109239709B (zh) 一种无人船的局部环境地图自主构建方法
Konovalenko et al. UAV Navigation On The Basis Of The Feature Points Detection On Underlying Surface.
CN103697855B (zh) 一种基于海天线检测的船体水平姿态测量方法
CN113627473A (zh) 基于多模态传感器的水面无人艇环境信息融合感知方法
CN111813113B (zh) 仿生视觉自运动感知地图绘制方法、存储介质及设备
RU2550811C1 (ru) Способ и устройство определения координат объектов
CN111024072B (zh) 一种基于深度学习的卫星地图辅助导航定位方法
CN108917753B (zh) 基于从运动恢复结构的飞行器位置确定方法
CN114719848B (zh) 基于视觉与惯性导航信息融合神经网络的无人机高度估算方法
CN109871024A (zh) 一种基于轻量级视觉里程计的无人机位姿估计方法
CN113551663B (zh) 图像与地磁组合的飞行器姿态解算系统及方法
CN108225276B (zh) 一种单星成像目标运动特性反演方法及系统
White et al. GPS-denied navigation using SAR images and neural networks
CN106250898A (zh) 一种基于尺度预测的图像局部区域特征提取方法
CN113933828A (zh) 一种无人艇环境自适应多尺度目标检测方法及系统
CN116429098A (zh) 低速无人飞行器视觉导航定位方法及系统
Ansar et al. An analysis of spacecraft localization from descent image data for pinpoint landing on Mars and other cratered bodies
Moore et al. A method for the visual estimation and control of 3-DOF attitude for UAVs
CN109029451A (zh) 基于网络信标矫正的小型无人机自主定位方法
CN103983270A (zh) 一种声纳数据的图像化处理方法
CN114355409A (zh) 水面目标运动估计方法
Arai et al. Fast vision-based localization for a mars airplane

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