CN113639752B - 一种无人机实时定位信号的传输控制方法 - Google Patents
一种无人机实时定位信号的传输控制方法 Download PDFInfo
- Publication number
- CN113639752B CN113639752B CN202110877062.0A CN202110877062A CN113639752B CN 113639752 B CN113639752 B CN 113639752B CN 202110877062 A CN202110877062 A CN 202110877062A CN 113639752 B CN113639752 B CN 113639752B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- positioning
- algorithm
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000005540 biological transmission Effects 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 239000002245 particle Substances 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 6
- 238000000342 Monte Carlo simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013138 pruning Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
-
- 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
- G01C21/1652—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 ranging devices, e.g. LIDAR or RADAR
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明请求保护的一种无人机实时定位信号的传输控制方法,用于控制无人机在多地形上空飞行时的定位控制,通过获取所述无人机在所述多地形上空飞行时的采集图像,获取安装在所述无人机上的多类型传感器数据,将多类型传感器数据融合定位,使用蒙特卡罗方法的定位算法构建预测模型,用自适应蒙特卡洛定位的输出结果匹配采集图像的特征作为定位系统的定位结果,采用路径规划算法对无人机进行导航。本发明涉及的无人机实时定位信号的传输控制方法避免了当前无人机定位控制时的图像精度识别不准确问题,实现了无人机的自主导航功能,无人机启动时快速确定自身位置,定位算法具有精度高,鲁棒性好的优点。
Description
技术领域
本发明涉及无人机技术领域,特别涉及一种无人机实时定位信号的传输控制方法。
背景技术
无人驾驶飞机简称“无人机”,是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机。机上无驾驶舱,但安装有自动驾驶仪、程序控制装置、信号采集装置等设备。地面、舰艇上或母机遥控站人员通过雷达等设备,对其进行跟踪、定位、遥控、遥测和数字传输。可在无线电遥控下像普通飞机一样起飞或用助推火箭发射升空,也可由母机带到空中投放飞行。现有技术无人机中已存在图像跟踪技术,对图像进行跟踪来获取跟踪内容。
同步定位与地图构建(simultaneous localization and mapping,SLAM)技术是无人机的核心技术。基于无人机的工作环境复杂多变的因素,一种稳定、高效的SLAM技术方案在无人机的应用中起着决定性作用
现有的SLAM技术是在无人机实现定位后,再顺序执行建图以及回环检测等操作,但在较大的场景下(比如几万平米的场景),回环调整耗时很久,整个过程需要耗费近乎20秒,而由于无人机的定位又需要依赖回环检测执行完成才能开始,因此,导致无人机无法定位更新。室内无人机所面临的运行环境是较为紧凑的,并且环境存在变化。室内无人机多使用轮式里程计、IMU、激光雷达等传感器进行室内定位,无法解决动态环境定位问题,并且全局定位困难。
发明内容
为解决当前无人机定位时参照因素单一,定位控制不精确的问题,本发明请求保护一种无人机实时定位信号的传输控制方法。
本发明请求保护的一种无人机实时定位信号的传输控制方法,用于控制无人机在多地形上空飞行时的定位控制其特征在于,包括步骤:
S1:获取所述无人机在所述多地形上空飞行时的采集图像;
S2:获取安装在所述无人机上的多类型传感器数据,将多类型传感器数据融合定位;
S3:使用蒙特卡罗方法的定位算法构建预测模型,用自适应蒙特卡洛定位的输出结果匹配采集图像的特征作为定位系统的定位结果;
S4:采用路径规划算法对无人机进行导航。
进一步地,所述S1:获取所述无人机在所述多地形上空飞行时的采集图像,具体包括:
S11.进行图像预处理,建立噪声模型,完成空间域滤波和频域滤波,采用高斯低通滤波加中值滤波;
S12.采用Lucy-Richardision算法执行全局运动模糊和局部运动模糊消除;
S13.利用改进的K均值聚类方法对真实框重新进行聚类,以获取更适合当前数据集的锚框;
S14.对卷积层结构进行调整,基于L1范数的敏感度分析,并根据分析结果进行裁剪。
进一步地,所述S2:获取安装在所述无人机上的多类型传感器数据,将多类型传感器数据融合定位,具体包括:
S21:建立合适的坐标系,导航坐标系On-XnYnZn和机载坐标系O-XYZ,导航坐标系是以地面作为参考的坐标系,用来描述无人机以地面作参考系时的运动状态,所述导航坐标系是固定在无人机上的参考系;
S22:轮式里程计数据分析,使用了光电编码器,利用航位推算定位算法进行定位参数解算;
S23:对无人机的惯性测量单元IMU数据进行分析处理;
S24:对无人机的激光雷达数据处理,获取激光雷达点云信息,推算出无人机的位姿信息;
S25:对无人机的UWB数据进行处理。
进一步地,所述S3:使用蒙特卡罗方法的定位算法构建预测模型,用自适应蒙特卡洛定位的输出结果匹配采集图像的特征作为定位系统的定位结果,具体包括:
S31:采用里程计、IMU、UWB使用扩展卡尔曼滤波的结果作为预测步的数据;
S32:使用激光雷达和点云匹配得到的定位结果;
S33:采用基于自适应蒙特卡罗定位的方法,无人机在刚启动时给出当前无人机位姿及置信度信息,匹配采集图像的特征给自适应蒙特卡罗定位算法提供粒子初始化所需要的定位信息。
进一步地,所述S4:采用路径规划算法对无人机进行导航,具体包括:
S41:融合全局路径规划算法和局部路径规划算法;
S42:使用脚本语言向无人机自动发布多个目标点位置;
S43:服务器响应时,无人机就可以接收到发布的目标点。
本发明请求保护的一种无人机实时定位信号的传输控制方法,用于控制无人机在多地形上空飞行时的定位控制,通过获取所述无人机在所述多地形上空飞行时的采集图像,获取安装在所述无人机上的多类型传感器数据,将多类型传感器数据融合定位,使用蒙特卡罗方法的定位算法构建预测模型,用自适应蒙特卡洛定位的输出结果匹配采集图像的特征作为定位系统的定位结果,采用路径规划算法对无人机进行导航。本发明涉及的无人机实时定位信号的传输控制方法避免了当前无人机定位控制时的图像精度识别不准确问题,实现了无人机的自主导航功能,无人机启动时快速确定自身位置,定位算法具有精度高,鲁棒性好的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明所涉及的一种无人机实时定位信号的传输控制方法的工作流程图;
图2为本发明所涉及的一种无人机实时定位信号的传输控制方法的实施例一;
图3为本发明所涉及的一种无人机实时定位信号的传输控制方法的实施例二;
图4为本发明所涉及的一种无人机实时定位信号的传输控制方法的实施例三。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
参照附图1,本发明请求保护的一种无人机实时定位信号的传输控制方法,用于控制无人机在多地形上空飞行时的定位控制其特征在于,包括步骤:
S1:获取所述无人机在所述多地形上空飞行时的采集图像;
S2:获取安装在所述无人机上的多类型传感器数据,将多类型传感器数据融合定位;
S3:使用蒙特卡罗方法的定位算法构建预测模型,用自适应蒙特卡洛定位的输出结果匹配采集图像的特征作为定位系统的定位结果;
S4:采用路径规划算法对无人机进行导航。
具体的,参照附图2,本发明所涉及的一种无人机实时定位信号的传输控制方法的实施例一,所述S1:获取所述无人机在所述多地形上空飞行时的采集图像,具体包括:
S11.进行图像预处理,建立噪声模型,完成空间域滤波和频域滤波,采用高斯低通滤波加中值滤波;
S12.采用Lucy-Richardision算法执行全局运动模糊和局部运动模糊消除;
S13.利用改进的K均值聚类方法对真实框重新进行聚类,以获取更适合当前数据集的锚框;
S14.对卷积层结构进行调整,基于L1范数的敏感度分析,并根据分析结果进行裁剪。
高斯低通滤波在傅里叶频域内执行,执行步骤为:首先进行傅里叶变换,之后将得到的高斯低通滤波器与频域图像相乘,最后经过傅里叶逆变换,得到目标图像。
高斯低通滤波的函数定义为:
公式中H(u,v)为经频域变换后第u行第v列的数值,D0为人为设定的截止频率的值。D0越小函数往往越陡峭,去噪效果越好,但丢失的细节信息也越多。D(u,v)为该位置距离中心点的距离。
Lucy-Richardision算法为时域的图像复原方法
其中和/>分别是第k+1次和k次迭代后对未退化图像的估计,g(x,y)是退化后的图像,h(x,y)为点扩散函数。
采用最简单直接的剪枝方式对模型进行压缩。在对各个参数评估过程中,以每一个卷积核为删减的基本单位。每个卷积神经网络都由多个卷积块组成,而每个卷积块又分为3层:卷积层+BN层+激活层。样本数据在卷积层执行卷积操作后,仅仅需要简单的BN操作,便进入激活函数中。激活函数一般为具有单调性的正比例函数,也就是输入值越大,输出值也越大。而输出值越大,对后面的网络的影响也往往越大。也可以说进入激活函数的自变量数值X越大,对后面网络的影响越大。输入变量X由卷积核和输入样本卷积求和后得到,对于相同的输入样本,卷积核数值越大,输入自变量X越大。所以在对一个卷积核的重要程度进行评估时,采用了L1范数的方法。计算公式如下所示:
其中N为每个卷积核的边长,wi,j为卷积核i,j位置的数值,Result为该卷积核的重要程度。
在实际进行剪枝操作时基本思路为:以每一个卷积层为基本单元,依次对每一个卷积层裁剪一定比例卷积核,计算剪枝之后模型MAP的变化情况。MAP下降越多代表该卷积核对网络的重要程度越高,该卷积层对网络变化的敏感度越高。当一个卷积层确定裁减比例后,需要对该层的卷积核按L1范数进行排序,L1范数越小的卷积核优先被裁剪。为了恢复模型的精度,在剪枝后需要对模型进行再训练以恢复网络的精度。此处采用的是先一次性剪枝所有层,最后统一再训练的方式。这种方式可以极大地降低再训练时的工作量。
具体的,参照图3为本发明所涉及的一种无人机实时定位信号的传输控制方法的实施例二,所述S2:获取安装在所述无人机上的多类型传感器数据,将多类型传感器数据融合定位,具体包括:
S21:建立合适的坐标系,导航坐标系On-XnYnZn和机载坐标系O-XYZ,导航坐标系是以地面作为参考的坐标系,用来描述无人机以地面作参考系时的运动状态,所述导航坐标系是固定在无人机上的参考系;
S22:轮式里程计数据分析,使用了光电编码器,利用航位推算定位算法进行定位参数解算;
S23:对无人机的惯性测量单元IMU数据进行分析处理;
S24:对无人机的激光雷达数据处理,获取激光雷达点云信息,推算出无人机的位姿信息;
S25:对无人机的UWB数据进行处理。
空间中,机载坐标系相对于导航坐标系的方位角被称为无人机的姿态角,姿态角表示机载坐标系相对于导航坐标系的方位。从机载坐标系到导航坐标系的姿态转换矩阵表示为:
式中——表示从机载坐标系到导航坐标系下的变换矩阵
α——表示绕Z轴旋转的角度,即航向角;
β——表示绕Y轴旋转的角度,即俯仰角;
γ——表示绕X轴旋转的角度,即横滚角;
设k时刻航向角为α=θk,代入就可以推导出无人机上从机载坐标系到导航坐标系的变换矩阵:
光电编码器的测速方法有三种:M法、T法、M/T法。M法测速在低速时脉冲数测得较少,误差大,适合高速测量;T法在速度较高单个脉冲周期较短时误差大,适合低速测量。M/T法则综合了M法和T法的优点,既适合告诉测量,又适合低速测量。这里使用M/T法测量电机转速,测速公式为:
式中n——表示转速(转/分钟)
fc——表示硬件的时钟基频
M1——表示单位时间测量的脉冲数
Z——表示编码器线数
M2——表示单位时基脉冲数;
由航迹推算算法可得如下导航坐标系下位姿的递推公式:
式中(Xk+1,Yk+1,θk+1)——表示当前时刻tk+1无人机在导航坐标系下的位姿;
(Xk,Yk,θk)——表示上一时刻tk无人机在导航坐标系下的位姿;
(dx,dy,dθ)——表示上一时刻到当前时刻在无人机坐标系中的运动增量。
利用IMU的陀螺仪提供偏航角角速度信息,假设ωk为tk时刻时刻的Z轴的角速度信息,ωk+1为tk+1时刻的绕z轴角速度信息,则IMU在导航坐标系下的姿态更新方程为:
式中——表示k+1时刻机载坐标系到导航坐标系的姿态变换矩阵;
——表示k时刻机载坐标系到导航坐标系的姿态变换矩阵;
表示k到k+1之间相对旋转对应等效旋转矢量构成的反对称矩阵。
UWB定位系统的标签安装在无人机上,UWB定位可以提供标签与基站之间实时的距离信息di,(i=0,1,2,3)。第i个基站的坐标已知为(xi,yi,zi),设待求标签点的坐标为(X,Y,Z),则基站与标签之间的距离有以下关系:
其是一个超定方程组,通常无解,但是有最小二乘解。可以采用最小均方差估计求解该方程组,即
设机载坐标下UWB标签坐标为(xuwb,yuwb,zuwb),则UWB定位系统得到的无人机在时刻k时的二维绝对坐标为
具体的,所述S3:使用蒙特卡罗方法的定位算法构建预测模型,用自适应蒙特卡洛定位的输出结果匹配采集图像的特征作为定位系统的定位结果,具体包括:
S31:采用里程计、IMU、UWB使用扩展卡尔曼滤波的结果作为预测步的数据;
S32:使用激光雷达和点云匹配得到的定位结果;
S33:采用基于自适应蒙特卡罗定位的方法,无人机在刚启动时给出当前无人机位姿及置信度信息,匹配采集图像的特征给自适应蒙特卡罗定位算法提供粒子初始化所需要的定位信息。
采用扩展卡尔曼滤波算法,主要包含:预测步和更新步。预测步负责:根据上一时刻状态向量的后验估计值推算出当前时刻先验估计值以及先验估计的误差协方差;更新步负责:根测量得到的观测信息对先验估计值进行更新矫正,从而获得当前时刻状态向量的后验估计,后验估计就是状态向量融合后的结果。预测步包括预测状态向量的先验估计值和预测状态向量先验估计值的协方差矩阵;更新步包括:计算卡尔曼增益矩阵和用测量值更新状态变量,得到状态变量的后验估计值,将协方差矩阵更新为状态变量后验估计值的协方差矩阵。
所述自适应蒙特卡洛算法的具体流程如下:
初始化生成粒子:由给定的表示置信度的概率密度函数p(xk),利用高斯模型随机采样n个相互独立的加权粒子组成一个粒子集
其中每个都是随机变量xk的样本,也称为粒子,所有权重/>都相等,即
初始的概率函数可以表示成:
重要性采样:获得状态量的先验概率分布,从先验概率分布中采样更新的粒子,获得经过转移状态转移方程更新后的粒子集;
根据观测方获得观测量的似然概率,则经过观测方程后获得状态变量的后验概率分布,修正每个粒子的权重;
获得经过观测方程更新后的粒子集,对所有粒子的权重进行归一化。
具体的,参照图4,为本发明所涉及的一种无人机实时定位信号的传输控制方法的实施例三,所述S4:采用路径规划算法对无人机进行导航,具体包括:
S41:融合全局路径规划算法和局部路径规划算法;
S42:使用脚本语言向无人机自动发布多个目标点位置;
S43:服务器响应时,无人机就可以接收到发布的目标点。
在ROS中的导航框架(NavigationStack)中有一个move_base算法包,提供了无人机路径规划的所有基本功能,这使得无人机配置路径规划算法很方便。通过修改软件包中的配置文件就可以配置不同路径规划算法。通过该算法无人机可以自主发布目标点位置以及在目标点停留的时间,省去了人为手动发布目标点的工作,从而实现了完全自主导航。该算法的实现是通过move_base的action机制实现的。首先,创建一个节点,在节点中订阅move_base服务器的消息;然后设置好目标点,等待move_base服务器的响应;当move_base服务器响应时,无人机就可以接收到发布的目标点。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种无人机实时定位信号的传输控制方法,用于控制无人机在多地形上空飞行时的定位控制其特征在于,包括步骤:
S1:获取所述无人机在所述多地形上空飞行时的采集图像;
S2:获取安装在所述无人机上的多类型传感器数据,将多类型传感器数据融合定位;
S3:使用蒙特卡罗定位算法构建预测模型,用自适应蒙特卡罗定位的输出结果匹配采集图像的特征作为定位系统的定位结果;
S4:采用路径规划算法对无人机进行导航;
所述S3:使用蒙特卡罗定位算法构建预测模型,用自适应蒙特卡罗定位的输出结果匹配采集图像的特征作为定位系统的定位结果,具体包括:
S31:采用里程计、IMU、UWB使用扩展卡尔曼滤波的结果作为预测步的数据;
S32:使用激光雷达和点云匹配得到的定位结果;
S33:采用基于自适应蒙特卡罗定位算法,无人机在刚启动时给出当前无人机位姿及置信度信息,匹配采集图像的特征给自适应蒙特卡罗定位算法提供粒子初始化所需要的定位信息;
采用扩展卡尔曼滤波算法,主要包含:预测步和更新步;
预测步负责:根据上一时刻状态向量的后验估计值推算出当前时刻先验估计值以及先验估计的误差协方差;更新步负责:根测量得到的观测信息对先验估计值进行更新矫正,从而获得当前时刻状态向量的后验估计,后验估计就是状态向量融合后的结果;
预测步包括预测状态向量的先验估计值和预测状态向量先验估计值的协方差矩阵;更新步包括:计算卡尔曼增益矩阵和用测量值更新状态变量,得到状态变量的后验估计值,将协方差矩阵更新为状态变量后验估计值的协方差矩阵;
所述自适应蒙特卡罗定位算法的具体流程如下:
初始化生成粒子:由给定的表示置信度的概率密度函数p(xk),利用高斯模型随机采样n个相互独立的加权粒子组成一个粒子集:
其中每个都是随机变量xk的样本,也称为粒子,所有权重/>都相等,即:/>
初始的概率函数表示成:
重要性采样:获得状态量的先验概率分布,从先验概率分布中采样更新的粒子,获得经过转移状态转移方程更新后的粒子集;
根据观测方程获得观测量的似然概率,则经过观测方程后获得状态变量的后验概率分布,修正每个粒子的权重;
获得经过观测方程更新后的粒子集,对所有粒子的权重进行归一化。
2.如权利要求1所述的一种无人机实时定位信号的传输控制方法,其特征在于,所述S2:获取安装在所述无人机上的多类型传感器数据,将多类型传感器数据融合定位,具体包括:
S21:建立合适的坐标系,导航坐标系On-XnYnZn和机载坐标系O–XYZ,导航坐标系是以地面作为参考的坐标系,用来描述无人机以地面作参考系时的运动状态,所述机载坐标系是固定在无人机上的参考系;
S22:轮式里程计数据分析,使用了光电编码器,利用航位推算定位算法进行定位参数解算;
S23:对无人机的惯性测量单元IMU数据进行分析处理;
S24:对无人机的激光雷达数据处理,获取激光雷达点云信息,推算出无人机的位姿信息;
S25:对无人机的UWB数据进行处理。
3.如权利要求1所述的一种无人机实时定位信号的传输控制方法,其特征在于,所述S4:采用路径规划算法对无人机进行导航,具体包括:
S41:融合全局路径规划算法和局部路径规划算法;
S42:使用脚本语言向无人机自动发布多个目标点位置;
S43:服务器响应时,无人机就可以接收到发布的目标点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877062.0A CN113639752B (zh) | 2021-07-31 | 2021-07-31 | 一种无人机实时定位信号的传输控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877062.0A CN113639752B (zh) | 2021-07-31 | 2021-07-31 | 一种无人机实时定位信号的传输控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113639752A CN113639752A (zh) | 2021-11-12 |
CN113639752B true CN113639752B (zh) | 2023-12-05 |
Family
ID=78419148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110877062.0A Active CN113639752B (zh) | 2021-07-31 | 2021-07-31 | 一种无人机实时定位信号的传输控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113639752B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109520497A (zh) * | 2018-10-19 | 2019-03-26 | 天津大学 | 基于视觉和imu的无人机自主定位方法 |
CN109709975A (zh) * | 2019-01-15 | 2019-05-03 | 湖南大学 | 一种基于视觉slam的四旋翼飞行器室内安防系统及方法 |
KR20210029518A (ko) * | 2019-09-06 | 2021-03-16 | 삼성전자주식회사 | 멀티 센서 기반의 무인 비행체 및 그 제어 방법 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8271132B2 (en) * | 2008-03-13 | 2012-09-18 | Battelle Energy Alliance, Llc | System and method for seamless task-directed autonomy for robots |
IL241200A0 (en) * | 2015-09-06 | 2015-11-30 | Unision Air Ltd | System and method for self-geo-location of an unmanned aerial vehicle |
-
2021
- 2021-07-31 CN CN202110877062.0A patent/CN113639752B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109520497A (zh) * | 2018-10-19 | 2019-03-26 | 天津大学 | 基于视觉和imu的无人机自主定位方法 |
CN109709975A (zh) * | 2019-01-15 | 2019-05-03 | 湖南大学 | 一种基于视觉slam的四旋翼飞行器室内安防系统及方法 |
KR20210029518A (ko) * | 2019-09-06 | 2021-03-16 | 삼성전자주식회사 | 멀티 센서 기반의 무인 비행체 및 그 제어 방법 |
Non-Patent Citations (4)
Title |
---|
A Multi-Quadcopter Cooperative Cyber-Physical System for Timely Air Pollution Localization;Shen Zhaoyan 等;ACM Transactions on Embedded Computing Systems;第16卷(第3期);第1-23页 * |
单目-无扫描3D激光雷达融合的非合作目标相对位姿估计;郝刚涛;杜小平;赵继广;宋建军;;宇航学报;第36卷(第10期);第1178-1186页 * |
基于ROS的自主无人机VSLAM研究;刘峰;吕强;郭峰;王国胜;;现代防御技术;第44卷(第06期);第61-66页 * |
基于视觉的四旋翼无人机自主定位与控制系统;曹美会;鲜斌;张旭;文曦;;信息与控制;第44卷(第02期);第190-196页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113639752A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Polvara et al. | Toward end-to-end control for UAV autonomous landing via deep reinforcement learning | |
US20240011776A9 (en) | Vision-aided inertial navigation | |
CN101598556B (zh) | 一种未知环境下无人机视觉/惯性组合导航方法 | |
EP3470787B1 (en) | Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft micro-aerial vehicle (mav) | |
CN108195376B (zh) | 小型无人机自主导航定位方法 | |
CN110146909A (zh) | 一种定位数据处理方法 | |
CN111338383B (zh) | 基于gaas的自主飞行方法及系统、存储介质 | |
CN108120438B (zh) | 一种基于imu和rfid信息融合的室内目标快速跟踪方法 | |
CN106123890A (zh) | 一种多传感器数据融合的机器人定位方法 | |
JP4984659B2 (ja) | 自車両位置推定装置 | |
CN110989619B (zh) | 用于定位对象的方法、装置、设备和存储介质 | |
CN115183762A (zh) | 一种机场仓库内外建图方法、系统、电子设备及介质 | |
Kim et al. | Improved optical sensor fusion in UAV navigation using feature point threshold filter | |
Kant et al. | Long short-term memory auto-encoder-based position prediction model for fixed-wing UAV during communication failure | |
CN113568430A (zh) | 一种无人机机翼执行数据的修正控制方法 | |
Schmitz et al. | A simplified approach to motion estimation in a UAV using two filters | |
CN113639752B (zh) | 一种无人机实时定位信号的传输控制方法 | |
CN116295342A (zh) | 一种用于飞行器勘测的多传感状态估计器 | |
CN114384932B (zh) | 一种基于距离测量的无人机导航对接方法 | |
US20210199798A1 (en) | Continuous wave radar terrain prediction method, device, system, and unmanned aerial vehicle | |
CN113483769B (zh) | 基于粒子滤波器的车辆自定位方法、系统、设备和介质 | |
Zahran et al. | Augmented radar odometry by nested optimal filter aided navigation for UAVS in GNSS denied environment | |
CN109901589B (zh) | 移动机器人控制方法和装置 | |
da Penha Neto et al. | UAV autonomous navigation by image processing with uncertainty trajectory estimation | |
Simsek et al. | Dynamic Artificial Neural Network-Assisted GPS-Less Navigation for IoT-Enabled Drones |
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 |