CN114689046B - 一种无人机巡检隧道的方法与系统 - Google Patents
一种无人机巡检隧道的方法与系统 Download PDFInfo
- Publication number
- CN114689046B CN114689046B CN202210589098.3A CN202210589098A CN114689046B CN 114689046 B CN114689046 B CN 114689046B CN 202210589098 A CN202210589098 A CN 202210589098A CN 114689046 B CN114689046 B CN 114689046B
- Authority
- CN
- China
- Prior art keywords
- tunnel
- data
- aerial vehicle
- unmanned aerial
- local
- 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 64
- 238000005259 measurement Methods 0.000 claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G01C21/10—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
- G06T2207/30244—Camera pose
Abstract
本申请涉及一种无人机巡检隧道的方法与系统。所述方法包括：在无人机上配置激光雷达传感器、检测传感器和惯性测量单元，其中，所述惯性测量单元已完成预设参数标定和与激光雷达传感器空间位置关系的标定；获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；无人机在所述发射点进入所述待巡检隧道；计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据。本申请大大提高了隧道巡检的效率，也降低了人工巡检的成本与危险性。
Description
技术领域
本申请涉及无人机巡检及隧道巡检技术领域，更为具体来说，本申请涉及一种无人机巡检隧道的方法与系统。
背景技术
目前，在山地等区域建设公路或者铁路通常会采取隧道的形式，隧道的高速发展对于地域之间的紧密联系起到了至关重要的作用。但由于隧道的特殊环境已承载的交通负荷，也导致其容易出现各种各样的病害，所以巡检与养护工作也成为当前交通发展急需解决的问题。传统的巡检技术中，专业人员参与负责的巡检与养护存在成本高、效率低以及危险性高的问题。
随着无人机技术的提升，其也由原来的军事应用慢慢发展到工业乃至民用，作为一种高效的巡检设备载体，通过搭载不同的传感设备，无人机的自动巡检已广泛运用在在电网线路巡检、森林防火、测绘等不同领域，因此在隧道内使用无人机进行巡查成为可能。
传统的室外无人机一般采用的是GPS定位方式，通过GPS信号获取无人机的位置信息从而实现对无人机飞行的控制，无人机的数据一般可以通过2.4G/5GHz射频信号、移动网络、WIFI等方式传输控制，室内无人机定位与导航主要依靠即时定位与构图技术即SLAM技术，然而无法保证稳定的视觉特征，进而难以检测到隧道内部的精准数据。
发明内容
基于上述技术问题，本发明旨在通过计算待巡检隧道的局部隧道空间姿态数据，根据局部隧道空间姿态数据确定无人机在待巡检隧道内的航迹点，并按该航迹点进行隧道内的航行检测。
本发明第一方面提供了一种无人机巡检隧道的方法，所述方法包括：
在无人机上配置激光雷达传感器、检测传感器和惯性测量单元，其中，所述惯性测量单元已完成预设参数标定和与激光雷达传感器空间位置关系的标定；
获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；
无人机在所述发射点进入所述待巡检隧道；
基于激光雷达传感器和惯性测量单元计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；
基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据。
在本发明的一些实施例中，所述获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点，包括：
确定无人机的发射位置和回归位置；
测绘所述发射位置和所述回归位置对应的GPS坐标；
根据所述发射位置和所述回归位置对应的GPS坐标获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点。
在本发明的一些实施例中，所述计算所述待巡检隧道的局部隧道空间姿态数据，包括：
获取预设采集周期内激光雷达传感器探测的多个第一局部隧道点云数据；
利用惯性测量单元将所述第一局部隧道点云数据变换为激光雷达坐标系下的姿态数据；
基于所述激光雷达坐标系下的姿态数据将所述多个第一局部隧道点云数据拼接为第二局部隧道点云数据；
根据所述第二局部隧道点云数据计算所述待巡检隧道的局部隧道空间姿态数据。
在本发明的一些实施例中，所述根据所述第二局部隧道点云数据计算所述待巡检隧道的局部隧道空间姿态数据，包括：
对所述第二局部隧道点云数据进行预处理；
采用局部表面拟合方法计算预处理后的第二局部隧道点云数据中每个点的法向量；
利用高斯映射方法将所有点按照法向量投影至半径为1单位的高斯球上；
在所述高斯球的球面形成的大圆上得到局部隧道空间姿态数据。
在本发明的一些实施例中，所述在所述高斯球的球面形成的大圆上得到局部隧道空间姿态数据，包括：
根据随机采样一致性方法提取高斯球球面映射点上的大圆；
通过最小二乘平面拟合方法对大圆的点集拟合成一个平面，得到该平面的法向量；
将大圆的圆心作为当前段隧道断面的中心点，将所述该平面的法向量作为当前段隧道的中轴线方向；
将所述当前段隧道断面的中心点和当前段隧道的中轴线方向作为局部隧道空间姿态数据。
在本发明的一些实施例中，所述利用惯性测量单元将所述第一局部隧道点云数据变换为激光雷达坐标系下的姿态数据，包括：
提取所述第一局部隧道点云数据中的加速度数据和角速度数据；
将所述加速度数据变换为平移数据；
将所述角速度数据变换为角度数据；
结合所述平移数据、所述角度数据和卡尔曼滤波得到惯性测量单元姿态数据；
基于所述惯性测量单元姿态数据和惯性测量单元与激光雷达传感器的空间位置关系计算激光雷达坐标系下的姿态数据，其中，所述惯性测量单元包括误差积累机制，每隔一段时间对数据重新积分，以降低长时间采集数据带来的误差。
在本发明的一些实施例中，所述根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点，包括：
提取所述局部隧道空间姿态数据中的局部坐标系；
结合所述中轴线方向和起飞前设定的飞行位置计算无人机在所述待巡检隧道内的航迹点。
本发明第二方面提供了一种无人机巡检隧道的系统，所述系统包括在无人机上配置的激光雷达传感器、检测传感器和惯性测量单元；所述系统还包括：
获取模块，用于获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；
发射模块，用于控制无人机在所述发射点进入所述待巡检隧道；
计算模块，用于基于激光雷达传感器和惯性测量单元计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；
检测模块，用于基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据。
本发明第三方面提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现以下步骤：
在无人机上配置激光雷达传感器、检测传感器和惯性测量单元，其中，所述惯性测量单元已完成预设参数标定和与激光雷达传感器空间位置关系的标定；
获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；
无人机在所述发射点进入所述待巡检隧道；
基于激光雷达传感器和惯性测量单元计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；
基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
在无人机上配置激光雷达传感器、检测传感器和惯性测量单元，其中，所述惯性测量单元已完成预设参数标定和与激光雷达传感器空间位置关系的标定；
获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；
无人机在所述发射点进入所述待巡检隧道；
基于激光雷达传感器和惯性测量单元计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；
基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本申请提出的方法通过计算待巡检隧道的局部隧道空间姿态数据，并根据局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点，基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过检测传感器获得所述待巡检隧道的检测数据，大大提高了隧道巡检的效率，也降低了人工巡检的成本与危险性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请一示例性实施例中的无人机巡检隧道的方法步骤示意图；
图2示出了本申请一示例性实施例中无人机进入隧道示意图；
图3示出了本申请一示例性实施例中隧道断面与中轴线示意图；
图4示出了本申请一示例性实施例中的无人机巡检隧道的系统结构示意图；
图5示出了本申请一示例性实施例所提供的一种计算机设备的结构示意图；
图6示出了本申请一示例性实施例所提供的一种存储介质的示意图。
具体实施方式
以下，将参照附图来描述本申请的实施例。但是应该理解的是，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。对于本领域技术人员来说显而易见的是，本申请可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本申请发生混淆，对于本领域公知的一些技术特征未进行描述。
应予以注意的是，这里所使用的术语仅是为了描述具体实施例，而非意图限制根据本申请的示例性实施例。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。
现在，将参照附图更详细地描述根据本申请的示例性实施例。然而，这些示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的实施例。附图并非是按比例绘制的，其中为了清楚表达的目的，可能放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
下面结合说明书附图1-附图6给出几个实施例来描述根据本申请的示例性实施方式。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
实施例1：
本实施例提供了一种无人机巡检隧道的方法，如图1所示，所述方法包括：
S1、在无人机上配置激光雷达传感器、检测传感器和惯性测量单元，其中，所述惯性测量单元已完成预设参数标定和与激光雷达传感器空间位置关系的标定；
S2、获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；
S3、无人机在所述发射点进入所述待巡检隧道；
S4、基于激光雷达传感器和惯性测量单元计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；
S5、基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据。
在一种具体的实现方式中，获取无人机在待巡检隧道之外的航迹点，其中，航迹点包括发射点和回归点，包括：确定无人机的发射位置和回归位置；测绘发射位置和回归位置对应的GPS坐标；根据发射位置和回归位置对应的GPS坐标获取无人机在待巡检隧道之外的航迹点，其中，航迹点包括发射点和回归点。
在一种具体的实现方式中，计算待巡检隧道的局部隧道空间姿态数据，包括：获取预设采集周期内激光雷达传感器探测的多个第一局部隧道点云数据；利用惯性测量单元将第一局部隧道点云数据变换为激光雷达坐标系下的姿态数据；基于激光雷达坐标系下的姿态数据将多个第一局部隧道点云数据拼接为第二局部隧道点云数据；根据第二局部隧道点云数据计算待巡检隧道的局部隧道空间姿态数据。
在一种具体的实现方式中，根据第二局部隧道点云数据计算待巡检隧道的局部隧道空间姿态数据，包括：对第二局部隧道点云数据进行预处理；采用局部表面拟合方法计算预处理后的第二局部隧道点云数据中每个点的法向量；利用高斯映射方法将所有点按照法向量投影至半径为1单位的高斯球上；在高斯球的球面形成的大圆上得到局部隧道空间姿态数据。需要说明的是，通过多帧激光雷达点云数据拼接得到的隧道点云数据覆盖面较广，离无人机所在位置越远处的隧道对于后面运算不起作用而且点云密度更低，所以这里会对隧道点云数据进行预处理，设置距离阈值T，以当前周期时间段（t1,t2）内中间时刻无人机所处的空间位置为基准点，计算所有点与该基准点的距离。距离越大的点表明其离所处位置越远，剔除距离该位置大于阈值T的点，得到预处理后的三维隧道点云。
在一种具体的实现方式中，在高斯球的球面形成的大圆上得到局部隧道空间姿态数据，包括：根据随机采样一致性方法提取高斯球球面映射点上的大圆；通过最小二乘平面拟合方法对大圆的点集拟合成一个平面，得到该平面的法向量；将大圆的圆心作为当前段隧道断面的中心点，将该平面的法向量作为当前段隧道的中轴线方向；将当前段隧道断面的中心点和当前段隧道的中轴线方向作为局部隧道空间姿态数据。
在一种具体的实现方式中，利用惯性测量单元将第一局部隧道点云数据变换为激光雷达坐标系下的姿态数据，包括：提取第一局部隧道点云数据中的加速度数据和角速度数据；将加速度数据变换为平移数据；将角速度数据变换为角度数据；结合平移数据、角度数据和卡尔曼滤波得到惯性测量单元姿态数据；基于惯性测量单元姿态数据和惯性测量单元与激光雷达传感器的空间位置关系计算激光雷达坐标系下的姿态数据。其中，惯性测量单元包括误差积累机制，每隔一段时间对数据重新积分，以降低长时间采集数据带来的误差。
在一种具体的实现方式中，根据局部隧道空间姿态数据确定无人机在待巡检隧道内的航迹点，包括：提取局部隧道空间姿态数据中的局部坐标系；结合中轴线方向和起飞前设定的飞行位置计算无人机在待巡检隧道内的航迹点。
实施例2：
本实施例提供了一种无人机巡检隧道的方法，下面对所述方法包括的步骤进行详细说明。
第一步，在无人机上配置激光雷达传感器、检测传感器和惯性测量单元，其中，所述惯性测量单元已完成预设参数标定和与激光雷达传感器空间位置关系的标定。
这里的惯性测量单元（Inertial Measurement Unit）简称为IMU，主要用来检测和测量加速度与旋转运动的传感器。其原理是采用惯性定律实现的，这些传感器从超小型的的MEMS传感器，到测量精度非常高的激光陀螺，无论尺寸只有几个毫米的MEMS传感器，到直径几近半米的光纤器件采用的都是这一原理。惯性测量单元需要预先标定好外部参数，比如误差参数和惯性元件参数，以保证检测传感器所测量的数据精度高、可靠性高。
第二步，获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点。
具体实施时，先确定无人机的发射位置和回归位置，再测绘发射位置和回归位置对应的GPS坐标，之后根据发射位置和回归位置对应的GPS坐标获取无人机在待巡检隧道之外的航迹点，其中，航迹点包括发射点和回归点。隧道外的坐标系作为全局坐标系，隧道内的坐标系作为局部坐标系，那么获取无人机在待巡检隧道之外的航迹点本质上是在待巡检隧道外可以构建出全局坐标系，根据上述坐标在全局坐标系设计出无人机从发射到回归过程中在隧道之外对应的航迹点。
第三步，无人机在所述发射点进入所述待巡检隧道。
这里参考图2，无人机在发射点（图2中的起始点）进入所述待巡检隧道，前后包括三个阶段，分别是进隧道前阶段、隧道中阶段和出隧道后阶段。图2中的终点是回归点。
第四步，基于激光雷达传感器和惯性测量单元计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点。
具体而言，由于IMU的误差积累机制，需要每隔一段时间会对数据重新积分并使用卡尔曼滤波来计算无人机姿态数据，结合无人机预设的飞行速度，起飞前需要预先设置IMU积分计算的周期时间，当前周期内会按照上一个周期计算得到的航迹点飞行，直至驶出隧道，每个周期内都会构建局部坐标系，匹配得到的局部隧道的三维重构、无人机姿态数据、提取出的隧道断面以及中轴线空间的姿态都在该坐标系下。
首先无人机系统在隧道中实时采集激光雷达点云以及IMU数据，并根据激光雷达点云数据以及IMU数据实时完成局部隧道的三维重构。具体过程可表述为：获取预设采集周期内激光雷达传感器探测的多个第一局部隧道点云数据；利用惯性测量单元将第一局部隧道点云数据变换为激光雷达坐标系下的姿态数据；基于激光雷达坐标系下的姿态数据将多个第一局部隧道点云数据拼接为第二局部隧道点云数据；根据第二局部隧道点云数据计算待巡检隧道的局部隧道空间姿态数据。其中，利用惯性测量单元将第一局部隧道点云数据变换为激光雷达坐标系下的姿态数据，包括：提取第一局部隧道点云数据中的加速度数据和角速度数据；将加速度数据变换为平移数据（X,Y,Z）；将角速度数据变换为角度数据（roll,pitch,yaw），变换方式优选为积分方式；结合积分结果和卡尔曼滤波可以获取当前时间戳下的IMU姿态数据P_IMU，在当前周期内不断计算各个时间戳下IMU姿态数据；基于惯性测量单元姿态数据和惯性测量单元与激光雷达传感器的空间位置关系计算激光雷达坐标系下的姿态数据P_lidar。需要注意的是，惯性测量单元包括误差积累机制，每隔一段时间会对数据重新积分，以降低长时间采集数据带来的误差。
接下来对第二局部隧道点云数据进行预处理，采用局部表面拟合方法计算预处理后的第二局部隧道点云数据中每个点的法向量；利用高斯映射方法将所有点按照法向量投影至半径为1单位的高斯球上；在高斯球的球面形成的大圆上得到局部隧道空间姿态数据。这里的含义是将所有点的法向单位化为模值为1的单位向量，利用高斯映射方法将所有点按照法向量投影至半径为1单位的高斯球上，即将法向量的起始点固定在球心，法向量的另一端就落在单位球（半径为1）的球面上了。
在一种具体的实现方式中，在高斯球的球面形成的大圆上得到局部隧道空间姿态数据，包括：根据随机采样一致性方法即RANSAC方法提取高斯球球面映射点上的大圆；通过最小二乘平面拟合方法对大圆的点集拟合成一个平面，得到该平面的法向量；将大圆的圆心作为当前段隧道断面的中心点，将该平面的法向量作为当前段隧道的中轴线方向；如图3所示，将当前段隧道断面的中心点和当前段隧道的中轴线方向作为局部隧道空间姿态数据。
最后在已有中轴线空间姿态的基础上，结合无人机在隧道空间姿态计算接下来无人机的航迹点。具体实施时，优选地，先提取局部隧道空间姿态数据中的局部坐标系（图3中xyz轴组成的），已知无人机在局部坐标系的姿态，再结合隧道断面的中心点和当前段隧道的中轴线方向以及起飞前设定的飞行位置计算无人机在所述待巡检隧道内的航迹点。
第五步，基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据。
当前周期内会按照上一个周期计算得到的航迹点飞行，直至驶出隧道，每个周期内都会构建局部坐标以计算接下来的航迹点。利用检测传感器采集隧道内的图片图像，例如隧道内壁的图像。测距与图像采可以同步，保证拍摄时获得投射到隧道内壁上的激光点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
实施例3：
本实施例提供了一种无人机巡检隧道的系统，所述系统包括在无人机上配置的激光雷达传感器、检测传感器和惯性测量单元；如图4所示，所述系统还包括：
获取模块401，用于获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；
发射模块402，用于控制无人机在所述发射点进入所述待巡检隧道；
计算模块403，用于计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；
检测模块404，用于基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据。
可以理解的是，所述系统还包括图像拍摄装置及一些必要的软件。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
还需要强调的是，本申请实施例中提供的系统可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
下面请参考图5，其示出了本申请的一些实施方式所提供的一种计算机设备的示意图。如图5所示，所述计算机设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的无人机巡检隧道的方法。
其中，存储器201可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口203（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述无人机巡检隧道的方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施方式还提供一种与前述实施方式所提供的无人机巡检隧道的方法对应的计算机可读存储介质，请参考图6，图6示出的计算机可读存储介质为光盘30，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的无人机巡检隧道的方法。
另外，所述计算机可读存储介质的例子还可以包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器(RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的空分复用光网络中量子密钥分发信道分配方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述任意实施方式所提供的无人机巡检隧道的方法的步骤，包括：在无人机上配置激光雷达传感器、检测传感器和惯性测量单元，其中，所述惯性测量单元已完成预设参数标定和与激光雷达传感器空间位置关系的标定；获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；无人机在所述发射点进入所述待巡检隧道；基于激光雷达传感器和惯性测量单元计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据。
需要说明的是：在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器( DSP )来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种无人机巡检隧道的方法，其特征在于，所述方法包括：
在无人机上配置激光雷达传感器、检测传感器和惯性测量单元，其中，所述惯性测量单元已完成预设参数标定和与激光雷达传感器空间位置关系的标定；
获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；
无人机在所述发射点进入所述待巡检隧道；
基于激光雷达传感器和惯性测量单元计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；
基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据；
所述计算所述待巡检隧道的局部隧道空间姿态数据，包括：
获取预设采集周期内激光雷达传感器探测的多个第一局部隧道点云数据；
利用惯性测量单元将所述第一局部隧道点云数据变换为激光雷达坐标系下的姿态数据，包括：
提取所述第一局部隧道点云数据中的加速度数据和角速度数据；
将所述加速度数据变换为平移数据；
将所述角速度数据变换为角度数据；
结合所述平移数据、所述角度数据和卡尔曼滤波得到惯性测量单元姿态数据；
基于所述惯性测量单元姿态数据和惯性测量单元与激光雷达传感器的空间位置关系计算激光雷达坐标系下的姿态数据，其中，所述惯性测量单元包括误差积累机制，每隔一段时间对数据重新积分，以降低长时间采集数据带来的误差；
基于所述激光雷达坐标系下的姿态数据将所述多个第一局部隧道点云数据拼接为第二局部隧道点云数据；
根据所述第二局部隧道点云数据计算所述待巡检隧道的局部隧道空间姿态数据。
2.根据权利要求1所述的无人机巡检隧道的方法，其特征在于，所述获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点，包括：
确定无人机的发射位置和回归位置；
测绘所述发射位置和所述回归位置对应的GPS坐标；
根据所述发射位置和所述回归位置对应的GPS坐标获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点。
3.根据权利要求1所述的无人机巡检隧道的方法，其特征在于，所述根据所述第二局部隧道点云数据计算所述待巡检隧道的局部隧道空间姿态数据，包括：
对所述第二局部隧道点云数据进行预处理；
采用局部表面拟合方法计算预处理后的第二局部隧道点云数据中每个点的法向量；
利用高斯映射方法将所有点按照法向量投影至半径为1单位的高斯球上；
在所述高斯球的球面形成的大圆上得到局部隧道空间姿态数据。
4.根据权利要求3所述的无人机巡检隧道的方法，其特征在于，所述在所述高斯球的球面形成的大圆上得到局部隧道空间姿态数据，包括：
根据随机采样一致性方法提取高斯球球面映射点上的大圆；
通过最小二乘平面拟合方法对大圆的点集拟合成一个平面，得到该平面的法向量；
将大圆的圆心作为当前段隧道断面的中心点，将所述该平面的法向量作为当前段隧道的中轴线方向；
将所述当前段隧道断面的中心点和当前段隧道的中轴线方向作为局部隧道空间姿态数据。
5.根据权利要求4所述的无人机巡检隧道的方法，其特征在于，所述根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点，包括：
提取所述局部隧道空间姿态数据中的局部坐标系；
结合所述中轴线方向和起飞前设定的飞行位置计算无人机在所述待巡检隧道内的航迹点。
6.一种无人机巡检隧道的系统，其特征在于，所述系统包括在无人机上配置的激光雷达传感器、检测传感器和惯性测量单元；所述系统还包括：
获取模块，用于获取无人机在待巡检隧道之外的航迹点，其中，所述航迹点包括发射点和回归点；
发射模块，用于控制无人机在所述发射点进入所述待巡检隧道；
计算模块，用于基于激光雷达传感器和惯性测量单元计算所述待巡检隧道的局部隧道空间姿态数据，并根据所述局部隧道空间姿态数据确定所述无人机在所述待巡检隧道内的航迹点；
检测模块，用于基于所述待巡检隧道内的航迹点的航行线路和预设航行周期，通过所述检测传感器获得所述待巡检隧道的检测数据；
所述计算所述待巡检隧道的局部隧道空间姿态数据，包括：
获取预设采集周期内激光雷达传感器探测的多个第一局部隧道点云数据；
利用惯性测量单元将所述第一局部隧道点云数据变换为激光雷达坐标系下的姿态数据，包括：
提取所述第一局部隧道点云数据中的加速度数据和角速度数据；
将所述加速度数据变换为平移数据；
将所述角速度数据变换为角度数据；
结合所述平移数据、所述角度数据和卡尔曼滤波得到惯性测量单元姿态数据；
基于所述惯性测量单元姿态数据和惯性测量单元与激光雷达传感器的空间位置关系计算激光雷达坐标系下的姿态数据，其中，所述惯性测量单元包括误差积累机制，每隔一段时间对数据重新积分，以降低长时间采集数据带来的误差；
基于所述激光雷达坐标系下的姿态数据将所述多个第一局部隧道点云数据拼接为第二局部隧道点云数据；
根据所述第二局部隧道点云数据计算所述待巡检隧道的局部隧道空间姿态数据。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-5任一所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210589098.3A CN114689046B (zh) | 2022-05-27 | 2022-05-27 | 一种无人机巡检隧道的方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210589098.3A CN114689046B (zh) | 2022-05-27 | 2022-05-27 | 一种无人机巡检隧道的方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114689046A CN114689046A (zh) | 2022-07-01 |
| CN114689046B true CN114689046B (zh) | 2022-10-04 |
Family
ID=82145354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210589098.3A Active CN114689046B (zh) | 2022-05-27 | 2022-05-27 | 一种无人机巡检隧道的方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114689046B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117073570B (zh) * | 2023-10-12 | 2023-12-19 | 四川高速公路建设开发集团有限公司 | 一种基于无人机的隧道变形程度检测系统及方法 |
| CN117518158A (zh) * | 2023-12-04 | 2024-02-06 | 北京城建勘测设计研究院有限责任公司 | 基于无人机载地质雷达的隧道全断面巡检装备及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104843176A (zh) * | 2015-04-28 | 2015-08-19 | 武汉大学 | 一种用于桥梁隧道自动巡检旋翼无人机系统及导航方法 |
| CN109029350A (zh) * | 2018-08-02 | 2018-12-18 | 南京航空航天大学 | 一种隧道轴线提取及断面收敛分析方法及装置 |
| CN111007530A (zh) * | 2019-12-16 | 2020-04-14 | 武汉汉宁轨道交通技术有限公司 | 激光点云数据处理方法、装置及系统 |
| CN111336990A (zh) * | 2020-03-27 | 2020-06-26 | 南京航空航天大学 | 一种隧道断面收敛快速分析方法和装置 |
| CN113358665A (zh) * | 2021-05-25 | 2021-09-07 | 同济大学 | 一种无人机隧洞缺陷检测方法及系统 |
| CN113763548A (zh) * | 2021-08-17 | 2021-12-07 | 同济大学 | 基于视觉-激光雷达耦合的贫纹理隧洞建模方法及系统 |
| CN114387347A (zh) * | 2021-10-26 | 2022-04-22 | 浙江智慧视频安防创新中心有限公司 | 确定外参标定的方法、装置、电子设备及介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10816347B2 (en) * | 2017-12-12 | 2020-10-27 | Maser Consulting, Inc. | Tunnel mapping system and methods |
| US11782141B2 (en) * | 2018-02-05 | 2023-10-10 | Centre Interdisciplinaire De Developpement En Cartographie Des Oceans (Cidco) | Method and apparatus for automatic calibration of mobile LiDAR systems |
| CN109900300B (zh) * | 2019-03-27 | 2020-12-04 | 北京航空航天大学 | 一种用于无人机的组合导航完好性监测系统 |
| US11340618B2 (en) * | 2019-08-08 | 2022-05-24 | Robotic Research Opco, Llc | Drone based inspection system at railroad crossings |
| CN113075650A (zh) * | 2021-04-02 | 2021-07-06 | 中国铁建重工集团股份有限公司 | 一种基于uwb与惯性单元的地下巷道掘进装备实时定位方法 |
| CN113220013A (zh) * | 2021-04-07 | 2021-08-06 | 同济大学 | 一种多旋翼无人机隧洞悬停方法及系统 |
-
2022
- 2022-05-27 CN CN202210589098.3A patent/CN114689046B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104843176A (zh) * | 2015-04-28 | 2015-08-19 | 武汉大学 | 一种用于桥梁隧道自动巡检旋翼无人机系统及导航方法 |
| CN109029350A (zh) * | 2018-08-02 | 2018-12-18 | 南京航空航天大学 | 一种隧道轴线提取及断面收敛分析方法及装置 |
| CN111007530A (zh) * | 2019-12-16 | 2020-04-14 | 武汉汉宁轨道交通技术有限公司 | 激光点云数据处理方法、装置及系统 |
| CN111336990A (zh) * | 2020-03-27 | 2020-06-26 | 南京航空航天大学 | 一种隧道断面收敛快速分析方法和装置 |
| CN113358665A (zh) * | 2021-05-25 | 2021-09-07 | 同济大学 | 一种无人机隧洞缺陷检测方法及系统 |
| CN113763548A (zh) * | 2021-08-17 | 2021-12-07 | 同济大学 | 基于视觉-激光雷达耦合的贫纹理隧洞建模方法及系统 |
| CN114387347A (zh) * | 2021-10-26 | 2022-04-22 | 浙江智慧视频安防创新中心有限公司 | 确定外参标定的方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114689046A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114689046B (zh) | 一种无人机巡检隧道的方法与系统 | |
| US20180120847A1 (en) | Method and apparatus for obtaining range image with uav, and uav | |
| KR102627453B1 (ko) | 위치 추정 장치 및 방법 | |
| CN111670419A (zh) | 用于自主导航的主动补充曝光设置 | |
| EP3750133A2 (en) | Method of and apparatus for analyzing images | |
| CN106370435A (zh) | 道路谱采集系统、车辆和道路谱采集方法 | |
| CN110262538B (zh) | 地图数据采集方法、装置、设备及存储介质 | |
| CN114485619A (zh) | 基于空地协同的多机器人定位和导航方法及装置 | |
| CN113767264A (zh) | 参数标定方法、装置、系统和存储介质 | |
| JP2018119852A (ja) | 位置特定装置、位置特定方法、位置特定システム、位置特定用プログラム、無人航空機および無人航空機識別用ターゲット | |
| CN104913775A (zh) | 无人机对地高度的测量方法、无人机定位方法及装置 | |
| KR102288609B1 (ko) | 다중 모듈 기반의 그래프 구조를 이용한 무인체 위치 추정 시스템 및 그 방법 | |
| EP3789797A1 (en) | Method and apparatus for evaluating data, device, and computer-readable storage medium | |
| CN112447058B (zh) | 泊车方法、装置、计算机设备及存储介质 | |
| US20220326373A1 (en) | Aerial analysis of ground surface using distance sensor of unmanned aerial vehicle | |
| JP5375249B2 (ja) | 移動経路計画装置、移動体制御装置及び移動体 | |
| CN105807083A (zh) | 一种无人飞行器实时测速方法及系统 | |
| CN116952229A (zh) | 无人机定位方法、装置、系统和存储介质 | |
| Klavins et al. | Unmanned aerial vehicle movement trajectory detection in open environment | |
| US20230073689A1 (en) | Inspection Device for Inspecting a Building or Structure | |
| CN112130577A (zh) | 一种无人飞行设备的路径规划方法、装置、无人飞行设备和存储介质 | |
| Deneault et al. | Tracking ground targets with measurements obtained from a single monocular camera mounted on an unmanned aerial vehicle | |
| Pogorzelski et al. | Vision Based Navigation Securing the UAV Mission Reliability | |
| Troll et al. | Indoor Localization of Quadcopters in Industrial Environment | |
| CN113093759A (zh) | 基于多传感器信息融合的机器人编队构造方法及系统 |
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 |