CN115574831A - 一种基于地图融合的无人机导航方法 - Google Patents
一种基于地图融合的无人机导航方法 Download PDFInfo
- Publication number
- CN115574831A CN115574831A CN202211189912.9A CN202211189912A CN115574831A CN 115574831 A CN115574831 A CN 115574831A CN 202211189912 A CN202211189912 A CN 202211189912A CN 115574831 A CN115574831 A CN 115574831A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- map
- image frame
- initial position
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004927 fusion Effects 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 abstract description 3
- 101150064138 MAP1 gene Proteins 0.000 description 7
- 101100075995 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fma2 gene Proteins 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 101100456045 Schizosaccharomyces pombe (strain 972 / ATCC 24843) map3 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001502 supplementing 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—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
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3852—Data derived from aerial or satellite images
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3859—Differential updating map data
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Abstract
本发明涉及无人机技术领域,尤其基于地图融合的无人机导航方法。所述方法包括以下步骤:服务器根据GPS导航获得无人机初始位置的预设电子地图;根据预设电子地图获取初始位置曲线集合;控制无人机进行飞行作业,以生成多个无人机图像帧序列;将初始位置曲线的初始图像帧序列与无人机图像帧序列进行比对,获得匹配图像帧序列;将图像帧子序列与匹配的匹配图像帧子序列进行融合,得到无人机的自身重建地图;将初始位置曲线对应的自身重建地图进行融合,得到无人机融合地图;根据导航决策分析生成无人机航线信息,以使无人机执行航向飞行任务;本发明可以解决常规导航方法的精确性低及地图构建慢的问题。
Description
技术领域
本发明涉及无人机技术领域,尤其涉及一种基于地图融合的无人机导航方法。
背景技术
近年来,无人机导航问题已成为无人机领域备受关注的热点问题。目前早无人机上采用的导航技术主要包括惯性导航、卫星导航、多普勒导航、地形辅助导航和地磁导航,这些导航的技术有各自的优缺点,统称为单一导航技术。人们通常根据无人机负担的不同任务来选择合适的导航定位技术。
在不断革新变化的全球无人机市场中,随着人工智能技术的发展,未来无人机的发展要求障碍回避、物资或武器投放、自动进场着陆等功能为一体,需要高精度、高可靠性、高抗干扰性能,要求无人机导航系统向多元组合化发展,为相应功能的实现提供强大的技术支撑;而视觉导航方法就是其中一种;以往的导航方法,大多数都存在精度不高的问题。
发明内容
本发明提供一种基于地图融合的无人机导航方法,以解决至少一个上述技术问题。
为实现上述目的,本发明提供了一种基于地图融合的无人机导航方法,包括以下步骤:
步骤S1:服务器根据GPS导航获得无人机初始位置的预设电子地图,其中预设电子地图中具有多个地图点;
步骤S2:根据预设电子地图获取初始位置曲线集合,所述初始位置曲线集合包括由多个地图点与初始位置之间连接及各地图点与相邻地图点所构成的多条初始位置曲线和多条初始位置曲线所对应的初始图像帧序列;
步骤S3:控制预设数量的无人机从初始位置出发,并根据初始位置曲线集合中的对应的初始位置曲线进行飞行作业,以生成多个无人机图像帧序列;
步骤S4:将初始位置曲线的初始图像帧序列与无人机图像帧序列进行比对,获得匹配图像帧序列;
步骤S5:将初始图像帧序列中的图像帧子序列与匹配图像帧序列中匹配的匹配图像帧子序列进行融合,得到无人机的自身重建地图;
步骤S6:将初始位置曲线对应的自身重建地图进行融合,得到无人机融合地图;
步骤S7:根据无人机融合地图进行分析,获得多个精确地图点的信息和对应的精确位置曲线,并根据的精确地图点的信息和对应的精确位置曲线生成导航决策;
步骤S8:根据导航决策分析生成无人机航线信息,以使无人机执行航向飞行任务,完成无人机导航。
本实施例中采用预设电子地图生成地图点,并通过预设电子地图和地图点生成初始位置曲线集合,可以简单快捷的实现工作开始时候的路线规划,其具有占用服务器资源少,速度快的优点;再让无人机沿着初始位置曲线集合中的初始位置曲线进行飞行作业,生成无人机图像帧序列,确定了无人机的工作流程,保证了无人机工作的有效性,并为每一条初始位置曲线编号,让生成的无人机图像帧序列和初始位置曲线一一对应,避免了无人机多次飞行去往同一个目的地,减少了无人机工作的重复性同时又可以减少了服务器的运算量,以及缩短无人机作业的时间和次数;根据初始图像帧序列和无人机图像帧序列优化匹配得到匹配图像帧序列,有效的保证了初始图像帧序列和匹配图像帧序列融合后的无人机的自身重建地图具有准确性;按照图像帧子序列进行融合,节约资源,加快融合速度;提取图像特征点以图像特征点对地图进行描述,使无人机定位时更加精准;
本说明书的一个实施例中,所述步骤S1包括以下步骤:
根据GPS导航获得的网络中预存的电子预设地图,将预设电子地图中的突出点作为地图点,所述突出点指一系列作为标识的命名实体;
步骤S2具体为:
以初始位置为起点,将多个地图点分别设置为多个目的地,结合电子预设地图中的障碍物信息,将起点与多个目的地连接,从而得到多条与地图点对应的初始位置曲线;
根据初始位置曲线从电子预设地图中获取该初始位置曲线所对应的的初始图像帧序列,所述初始位置曲线集合为每个地图点对应的初始位置曲线和其对应的初始图像帧序列组成的集合。
本实施例中采用GPS导航卫星定位,确定了无人机的初始位置,根据初始位置,在网络中获取预存的电子预设地图,根据电子预设地图选择出地图点;其中,GPS导航作为现有的最常用定位方式,其可以快速定位当前位置却存在偏差,因此服务器根据当前位置获得一个大型的电子预设地图,利用电子预设地图进行无人机的工作,可以对GPS导航定位的误差性进行修正,并且利用GPS导航的快捷性,能够立刻获得所需要的电子预设地图;对地图点的选择为电子预设地图上的突出点,充分利用了突出点在地图上的突出性,其中突出点为命名实体,能确定无人机的工作目的地并且利于无人机分析是否到达目的地;通过起点与地图点连接成初始位置曲线,为后续的无人机飞行任务做好铺垫,通过电子预设地图建立的初始位置曲线,能利用电子预设地图中的明显障碍物对路线进行初步的优化。
本说明书的一个实施例中,所述的步骤S3具体为:
步骤S31、控制阈值数量的无人机从初始位置起飞,选择初始位置曲线集合中的一条初始位置曲线,将该初始位置曲线移除初始位置曲线集合并放入已选位置曲线集合;
步骤S32、控制阈值数量的无人机沿选择的初始位置曲线进行飞行作业,根据无人机上的摄像头获取的图像,生成无人机图像帧序列;例如,阈值数量为一定数量。
步骤S33、无人机到达选择的地图点后,选择相邻的地图点进行飞行作业,到达第二个地图点后返回起点;
步骤S34、循环控制无人机执行步骤S31至步骤S33,直到初始位置曲线集合中所有的初始位置曲线全部移除初始位置曲线集合并放入已选位置曲线集合,以获得全部的无人机图像帧序列。
本实施例中无人机使用沿初始位置曲线并折返形式使无人机进行飞行作业,无需设置多个起飞点位,可以更加方面快捷的管理无人机;通过将地图点进行全连接的操作,又可以加快地图构建的速度;其中阈值数量指的是根据初始位置曲线数量和无人机储备情况决定的数量,其作用在于可以控制无人机数量,确保无人机工作环境不会拥挤,同时保证了无人机工作的效率问题;控制无人机沿选择的初始位置曲线的作用在于,可以让无人机根据固定路线进行飞行任务,避免重复任务,同时通过沿初始位置曲线进行飞行任务,又可以保证无人机返回的工作结果中有多个地图重合的部分,省去了无人机飞行任务中的闭环检测环节,又可以通过多个地图之间的差异进行体征的融合,让后续融合的地图更精准。
本说明书的一个实施例中,所述步骤S4的步骤包括以下步骤:
分别对初始图像帧子图像和无人机图像帧子图像进行卷积操作,提取出初始图像帧子图像的特征点A和无人机图像帧子图像的特征点B,其中初始图像帧子图像为初始图像帧子序列中的各图像帧,匹配图像帧子图像帧为匹配图像帧子序列中相应的图像帧;
分别对特征点A与特征点B进行优化得到初始图像帧子图像的优化特征点与无人机图像帧子图像的帧优化特征点;
将初始图像帧子图像的优化特征点与无人机图像帧子图像帧的优化特征点进行对比拟合,获得匹配优化特征点;匹配优化特征点由匹配度高于预设阈值的初始图像帧子图像的优化特征点与匹配图像帧子图像帧的优化特征点拟合合成;
根据匹配优化特征点,获得匹配图像帧序列。
本发明实施例中,对特征点进行卷积操作,获取图像的特征,采用卷积的方法,具有平移不变性,即使图片中的目标位置平移到图片另一个地方,卷积然能很好的识别出目标,并且输出结果也与平移前一致;通过卷积方式获得的图像特征可以得到图像的特征点,对特征进行优化,更利于两个特征点之间的拟合,更加突出了特征点的明显特征,并将不明显特征进行剔除;再对优化特征点进行对比拟合,找出拟合代价小的优化特征点进行拟合,保证了拟合的准确性,将拟合后的匹配特征点连接,即为匹配图像帧序列,为后续无人机自身重建地图做好准备,便于后期的利用。
本说明书的一个实施例中,所述将初始图像帧子图像的优化特征点与无人机图像帧子图像帧的优化特征点进行对比拟合,获得匹配优化特征点是根据匹配损失计算公式得出的,所述匹配损失计算公式为:
其中J为融合损失度,x1i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的经度,y1i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的纬度,z1i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的海拔高度;x2i无人机图像帧子图像优化特征点的从第一个点的位置到第n个点位置的经度,y2i无人机图像帧子图像优化特征点的从第一个点的位置到第n个点位置的纬度,z2i无人机图像帧子图像优化特征点的从第一个点的位置到第n个点位置的海拔高度,所述n的取值范围为1,2…m,所述m为所需计算的特征点的总数,α为调整值,β为误差值;匹配优化特征点由所述最小的匹配损失度J确定。
本实施例中,获取无人机图像帧子图像优化特征点的起始位置的经纬度x2i、y2i以及海拔高度z2i和初始图像帧子图像优化特征点的起始位置的经纬度x1i、y1i以及海拔高度z1i,通过计算可以得到两个点之间的融合损失度J,再根据融合损失度决定优化特征点之间的拟合;通过融合损失度对优化特征点之间进行拟合,可以检测出两优化特征点是否具有拟合的特性,避免了两点之间自行拟合所产生的大量资源消耗,排除了不必要的拟合,节约了服务器的资源并保证了拟合的准确性。
本发明书的一个实施例中,所述步骤S5包括以下步骤:
将初始图像帧序列中不包含匹配图像帧序列的子序列替换成对应的无人机图像帧子序列,从而得到替换图像帧子序列;
将替换后的多段替换图像帧子序列和对应的匹配图像帧子序进行融合,得到无人机的自身重建地图。
本实施例中对初始图像帧序列与匹配图像帧序列进行重叠检测,找出初始图像帧序列中与匹配图像帧序列不匹配的初始图像帧子序列,将该初始图像帧子序列替换成对应的无人机图像帧子序列;其中,无人机图像帧子序列比初始图像帧序列更具有时效性,是最新获取的图像信息,避免了电子预设地图中获取的初始图像帧因为太久没更新导致的图像帧序列与现实地图不符的问题;预设的图像帧子序列进行替换,用无人机拍摄的图像帧对齐进行补齐,并且将无人机拍摄的图像和预设图像重叠部分进行融合,得到无人机的自身重建地图,其将两者图像帧进行融合,可以使得图像帧更为完整,修正了无人机图像和预设图像之间的误差,起到扩充局部地图的作用。;
本说明书的一个实施例中,所述步骤S6具体为:
按照初始位置曲线集合中的初始位置曲线,将每两条相邻的初始位置曲线对应的自身重建地图进行融合,得到半融合地图;
重复上述步骤,直至将所有半融合地图融合完成,从而得到无人机融合地图。
本实施例中将初始位置曲线集合中的初始位置曲线所对应的无人机自身重建地图进行融合,其特点是,每一个无人机的自身重建地图都有与之对应的当前位置曲线,利用当前位置曲线来对自身重建地图进行融合,可以省去自身重建地图在服务器中寻找匹配地图的步骤,直接使用相邻的位置曲线对应的自身重建地图进行融合,节省了服务器的比对消耗,加快了地图融合的时间。
本说明书的一个实施例中,所述将每两条相邻的初始位置曲线对应的自身重建地图进行融合,得到半融合地图的步骤具体为:
对多个自身重建地图之间进行重叠检测,获得多个自身重建地图之间的检测结果,其中检测结果中包括有提取的自身重建地图特征点;
在多个自身重建地图特征点中,选出多组相似特征点对,每组相似特征点对包括相似性最大的两个自身重建地图特征点,以该多组相似特征点对的自身重建地图特征点作为半融合地图连接点,以连接两个目标局部地图;
按照初始位置曲线的位置,将相邻的初始位置曲线对应的自身重建地图进行融合,得到半融合地图。
本实施例中,利用自身重建地图提取出的特征点进行两个自身重建地图的连接,采用特征点作为连接点其特点是减少了图像对比的服务器负载加快了地图融合的速度,采用两两融合的方法,将地图划分融合,可以做到多线性工作,加快了在服务器负担小的情况下,多任务同时进行,能够最大程度上的加快地图融合的速度;相比于以往的图像匹配融合,其速度更快并且更加准确。
本说明书的一个实施例中,所述步骤S7具体为:
对比无人机融合地图与无人机的初始位置,从而确定无人机的精准初始定位;
根据无人机的精准初始定位以及无人机融合地图进行分析,生成无人机航线图;
根据无人机航线图,生成导航决策。
本方法实施例中,地图的构建为了无人机的定位,无人机的定位为了完成导航任务;地图构建完成后,利用全局地图和无人机起始位置重合的方法定位无人机,确保了无人机定位的稳定性;根据无人机的精确初始位置,将其设为起点,在服务器上选择目的地就可以根据全集地图上建立的地图点选取;
本发明实施所述,步骤S8具体为:
根据导航决策,持续无人机融合地图信息并进行分析,以生成无人机航线信息并将无人机航线信息发送给无人机;
根据无人机航线信息和自身定位信息,生成航向指令,使无人机执行航向飞行任务,完成无人机导航。
本方法实施例中,利用构建好的全局地图,根据无人机当前的定位以及要到的目的地生成导航路线发送给无人机,充分利用了全局地图,加快了路线生成的时间;用多种信息结合的方式进行导航,使无人机的导航更加精准。
本方法实施例中采用地图融合的方法进行地图的构建,做到无人机的精准定位,利用精准的定位,做到无人机的精确导航;其中地图融合的方法利用多无人机协同工作可以更加快速的建立无人机融合地图,根据无人机融合地图对无人机进行定位,其优势在于地图中构建了多个特征点,无人机可以利用自身采集的图像进行对比,以此来确定无人机的定位;最终进行导航,获取无人机定位后,根据定位在地图中的信息,及目的地的信息;可以生成多条路线,计算得出最优路线,无人机就可以开始工作,并且沿着最优路线进行工作,又可以减少无人机工作时间,并且根据路线上的特征点定位,保证了无人机工作的精确性。
附图说明
图1为本发明一实施例提供的基于地图融合的无人机导航方法的步骤流程示意图;
图2为一实施例的起始位置曲线集合中存在元素示意图;
图3为一实施例的图像帧序列融合示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于地图融合的无人机导航方法,所述一种基于地图融合的无人机导航方法的执行主体包括但不限于服务器、摄像机和GPS导航等能够被配置为执行本发明实施例提供的该方法的电子设备中至少一种。换言之,所述一种基于地图融合的无人机导航方法可以由安装在终端设备或服务器设备的软件或硬件来执行,所述软件可以时区块链平台。所述服务器包括但不限于:单台服务器、云端服务器等。所述摄像机可以是:单目摄像机、双目摄像机、三目摄像机。
请参阅图1至图3,为实现上述目的,本发明提供了一种基于地图融合的无人机导航方法,所述方法包括以下步骤:
步骤S1:服务器根据GPS导航获得无人机初始位置的预设电子地图,其中预设电子地图中具有多个地图点;
步骤S2:根据预设电子地图获取初始位置曲线集合,所述初始位置曲线集合包括由多个地图点与初始位置之间连接及各地图点与相邻地图点所构成的多条初始位置曲线和多条初始位置曲线所对应的初始图像帧序列;
步骤S3:控制预设数量的无人机从初始位置出发,并根据初始位置曲线集合中的对应的初始位置曲线进行飞行作业,以生成多个无人机图像帧序列;
步骤S4:将初始位置曲线的初始图像帧序列与无人机图像帧序列进行比对,获得匹配图像帧序列;
步骤S5:将初始图像帧序列中的图像帧子序列与匹配图像帧序列中匹配的匹配图像帧子序列进行融合,得到无人机的自身重建地图;
步骤S6:将初始位置曲线对应的自身重建地图进行融合,得到无人机融合地图;
步骤S7:根据无人机融合地图进行分析,获得多个精确地图点的信息和对应的精确位置曲线,并根据的精确地图点的信息和对应的精确位置曲线生成导航决策;
步骤S8:根据导航决策分析生成无人机航线信息,以使无人机执行航向飞行任务,完成无人机导航。
本实施例中采用预设电子地图生成地图点,并通过预设电子地图和地图点生成初始位置曲线集合,可以简单快捷的实现工作开始时候的路线规划,其具有占用服务器资源少,速度快的优点;再让无人机沿着初始位置曲线集合中的初始位置曲线进行飞行作业,生成无人机图像帧序列,确定了无人机的工作流程,保证了无人机工作的有效性,并为每一条初始位置曲线编号,让生成的无人机图像帧序列和初始位置曲线一一对应,避免了无人机多次飞行去往同一个目的地,减少了无人机工作的重复性同时又可以减少了服务器的运算量,以及缩短无人机作业的时间和次数;根据初始图像帧序列和无人机图像帧序列优化匹配得到匹配图像帧序列,有效的保证了初始图像帧序列和匹配图像帧序列融合后的无人机的自身重建地图具有准确性;按照图像帧子序列进行融合,节约资源,加快融合速度;提取图像特征点以图像特征点对地图进行描述,使无人机定位时更加精准;
本说明书的一个实施例中,所述步骤S1包括以下步骤:
根据GPS导航获得的网络中预存的电子预设地图,将预设电子地图中的突出点作为地图点,所述突出点指一系列作为标识的命名实体;
步骤S2具体为:
以初始位置为起点,将多个地图点分别设置为多个目的地,结合电子预设地图中的障碍物信息,将起点与多个目的地连接,从而得到多条与地图点对应的初始位置曲线;
根据初始位置曲线从电子预设地图中获取该初始位置曲线所对应的的初始图像帧序列,所述初始位置曲线集合为每个地图点对应的初始位置曲线和其对应的初始图像帧序列组成的集合。
本方法实施例中,采用GPS导航获取到无人机当前的定位信息,标记为起点位置,根据当前定位信息,获取一张以当前位置为中心的电子预设地图,并选择地图中的突出点作为地图点;其中突出点可以但不限于具有标识的建筑、物品、道路和高铁等;根据各个地图点在电子预设地图中的位置,将无人机的起点位置与各个地图点进行连接,生成起点位置与地图点的位置曲线,其中位置曲线根据电子预设地图中的明显障碍物,如过高的大楼,过高的树木等一系列会影响无人机工作的命名实体;并将地图点与地图点之间进行连接,其中选择各地图点最近的进行连接,生成地图点与地图点的位置曲线;将起点位置与地图点的位置曲线和地图点与地图点的位置曲线放入一个集合中,即为初始位置曲线集合。
本实施例中采用GPS导航卫星定位,确定了无人机的初始位置,根据初始位置,在网络中获取预存的电子预设地图,根据电子预设地图选择出地图点;其中,GPS导航作为现有的最常用定位方式,其可以快速定位当前位置却存在偏差,因此服务器根据当前位置获得一个大型的电子预设地图,利用电子预设地图进行无人机的工作,可以对GPS导航定位的误差性进行修正,并且利用GPS导航的快捷性,能够立刻获得所需要的电子预设地图;对地图点的选择为电子预设地图上的突出点,充分利用了突出点在地图上的突出性,其中突出点为命名实体,能确定无人机的工作目的地并且利于无人机分析是否到达目的地;通过起点与地图点连接成初始位置曲线,为后续的无人机飞行任务做好铺垫,通过电子预设地图建立的初始位置曲线,能利用电子预设地图中的明显障碍物对路线进行初步的优化。
请参阅图2,本说明书的一个实施例中,所述的步骤S3具体为:
步骤S31、控制阈值数量的无人机从初始位置起飞,选择初始位置曲线集合中的一条初始位置曲线,将该初始位置曲线移除初始位置曲线集合并放入已选位置曲线集合;
步骤S32、控制阈值数量的无人机沿选择的初始位置曲线进行飞行作业,根据无人机上的摄像头获取的图像,生成无人机图像帧序列;
步骤S33、无人机到达选择的地图点后,选择相邻的地图点进行飞行作业,到达第二个地图点后返回起点;
步骤S34、循环控制无人机执行步骤S31至步骤S33,直到初始位置曲线集合中所有的初始位置曲线全部移除初始位置曲线集合并放入已选位置曲线集合,以获得全部的无人机图像帧序列。
作为本发明的一个实施例,参考图2所示,为地图点与起点之间位置曲线示意图:
其中中心点X表示为无人机群的起点;
六角形A-H为地图点;
L1-L16表示为起点与各地图点以及各地图点与其相邻地图点之间连接的位置曲线;
因为每条位置曲线存在着长度差异,当第一台到达地图点的无人机,其就会随机选择下一个地图点进行飞行作业,为了避免两台无人机在同一位置曲线是相向作业;第一台到达地图点的无人机随机选择相邻地图点,并将该地图点与地图点之间的位置曲线标记,以免另一台无人机重复进入;具体例子如下:
例如存在8台无人机1-8,其中8台无人机从无人机起点X出发,分别向着地图点A-H出发;其中无人机起点X与地图点A相连的位置曲线L5最短,即无人机1最快完成到达地图点A的飞行任务;当无人机1到达了地图点A,其会随机选择到达地图点B或者地图点H;当无人机1选择下一地点为地图点B时,无人机1沿着位置曲线L12进行飞行任务,此时会将无人机1的选择上传到服务器,服务器将根据无人机1的选择,对剩余的无人机2-8进行路径的规划;当无人机2沿着路径曲线L4到达地图点B后,其只能选择沿着位置曲线L11去往地图点C;同理,无人机3沿着位置曲线L3到地图点C后,只能沿着位置曲线L10到地图点D;无人机4沿着位置曲线L2到地图点D后,只能沿着位置曲线L9到地图点E;无人机5沿着位置曲线L1到地图点E后,只能沿着位置曲线L16到地图点F;无人机6沿着位置曲线L8到地图点F后,只能沿着位置曲线L15到地图点G;无人机7沿着位置曲线L7到地图点G后,只能沿着位置曲线L14到地图点H;无人机8沿着位置曲线L6到地图点H后,只能沿着位置曲线L13到地图点A;当无人机1-8到达第二个地图点时候,就会沿着该地图点与起点X的位置曲线返回起点,如:无人机1先到达地图点A后到达地图点B,即地图点B为第二地图点,此时无人机1将会沿着地图点B与起点X相连的位置曲线L4返回起点X,以此类推,其余无人机2-8均与无人机1相同;
与本实施例中,另一情况具体例如下:
例如存在4台无人机1-4,其中地图点存在数量为8,无人机无法同时出发前往全部的地图点,因此需要无人机重复的进行飞行任务:无人机1-4同时从起点X出发,随机选择任意地图点进行飞行作业,例如:无人机1沿着位置曲线L5出发前往地图点A,无人机2沿着位置曲线L2出发前往地图点D,无人机3沿着位置曲线L8前往地图点F,无人机4沿着位置曲线L7前往地图点G;此时,需要将无人机1-4所选择的位置曲线L5、L2、L8、L7标记为已选,避免后续无人机返回起点后重复执行工作;其中,因为无人机1前往地图点A,此时地图点A相邻的地图点B和地图点H并没有无人机前往,即无人机1可以随意选择地图点B和地图点H中任意一点,并将地图点A与其地图点之间的位置曲线进行标记,后续无人机将不会再选择该位置曲线作为无人机作业时的路径;即,无人机1到达地图点A后,选择地图点H作为下一目的地,就会将位置曲线L13标记为已选,当后续无人机到达地图点H后将无法选择位置曲线L13作为路径,即不可以选择地图点A为下一地图点;而在此时,无人机3和无人机4,因其两者选择的地图点F和地图点G为相邻点,即无人机4到达地图点G后,因无人机1选择可位置曲线L13,此后到达地图点H的无人机无法选择位置曲线L13作为路径,只可以选择位置曲线L14作为路径,故无人机4到达地图点G后,将会选择位置曲线L15作为路径到达地图点F,并将位置曲线L15标记为已选;而无人机3也只可以选择位置曲线L16到达地图点E,并将位置曲线L16标记为已选;当各无人机到达第二地图点时,无人机即从该地图点返回起点X;当无人机1此时完成了到达地图点A的工作后,将会再次选择其他地图点,此时由于无人机1第一次选择的地图点A,无人机2-4选择的地图点D、地图点F和地图点G已经被选择过了,所以无人机1此时只可以选择剩余地图点H、地图点C、地图点B和地图点E其中任意一个;当无人机选择地图点E后,到达地图点E,此时位置曲线L16已经被无人机3所标记,无人机1便只可以选择位置曲线L9进行飞行作业,到达地图点D后返回起点X;无人机重复进行无人机1的操作,直到全部地图点被标记为已选,则无人机飞行任务完成。
本实施例中无人机使用沿初始位置曲线并折返形式使无人机进行飞行作业,无需设置多个起飞点位,可以更加方面快捷的管理无人机;通过将地图点进行全连接的操作,又可以加快地图构建的速度;其中阈值数量指的是根据初始位置曲线数量和无人机储备情况决定的数量,其作用在于可以控制无人机数量,确保无人机工作环境不会拥挤,同时保证了无人机工作的效率问题;控制无人机沿选择的初始位置曲线的作用在于,可以让无人机根据固定路线进行飞行任务,避免重复任务,同时通过沿初始位置曲线进行飞行任务,又可以保证无人机返回的工作结果中有多个地图重合的部分,省去了无人机飞行任务中的闭环检测环节,又可以通过多个地图之间的差异进行体征的融合,让后续融合的地图更精准。
本说明书的一个实施例中,所述步骤S4的步骤包括以下步骤:
分别对初始图像帧子图像和无人机图像帧子图像进行卷积操作,提取出初始图像帧子图像的特征点A和无人机图像帧子图像的特征点B,其中初始图像帧子图像为初始图像帧子序列中的各图像帧,匹配图像帧子图像帧为匹配图像帧子序列中相应的图像帧;
分别对特征点A与特征点B进行优化得到初始图像帧子图像的优化特征点与无人机图像帧子图像的帧优化特征点;
将初始图像帧子图像的优化特征点与无人机图像帧子图像帧的优化特征点进行对比拟合,获得匹配优化特征点;匹配优化特征点由匹配度高于预设阈值的初始图像帧子图像的优化特征点与匹配图像帧子图像帧的优化特征点拟合合成;
根据匹配优化特征点,获得匹配图像帧序列。
作为本发明的一个实施例,如图3所示,其中A-H序列为初始图像帧序列,a-h为无人机图像帧序列;其中各点代表不同图像帧序列中的图像帧序列子图像;根据方法所述;将序列A-H与a-h中的图像进行卷积操作,获取其特征;根据图像的特征选择出特征点;对优化后的特征点进行对比拟合,图3中所述,初始图像帧序列中A、B、F、G、H图像与无人机图像序列中a、b、f、g、h图像没有匹配的匹配特征点,故而无法生成匹配图像帧序列;其中C、D、E图像与c、d、e图像匹配,进行拟合后,所述的C-D-E序列为匹配图像帧序列,其中c-d-e序列也为图像帧序列。
本发明实施例中,对特征点进行卷积操作,获取图像的特征,采用卷积的方法,具有平移不变性,即使图片中的目标位置平移到图片另一个地方,卷积然能很好的识别出目标,并且输出结果也与平移前一致;通过卷积方式获得的图像特征可以得到图像的特征点,对特征进行优化,更利于两个特征点之间的拟合,更加突出了特征点的明显特征,并将不明显特征进行剔除;再对优化特征点进行对比拟合,找出拟合代价小的优化特征点进行拟合,保证了拟合的准确性,将拟合后的匹配特征点连接,即为匹配图像帧序列,为后续无人机自身重建地图做好准备,便于后期的利用。
本说明书的一个实施例中,所述将初始图像帧子图像的优化特征点与无人机图像帧子图像帧的优化特征点进行对比拟合,获得匹配优化特征点是根据匹配损失计算公式得出的,所述匹配损失计算公式为:
其中J为融合损失度,x1i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的经度,y1i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的纬度,z1i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的海拔高度;x2i无人机图像帧子图像优化特征点的从第一个点的位置到第n个点位置的经度,y2i无人机图像帧子图像优化特征点的从第一个点的位置到第n个点位置的纬度,z2i无人机图像帧子图像优化特征点的从第一个点的位置到第n个点位置的海拔高度,所述n的取值范围为1,2…m,所述m为所需计算的特征点的总数,α为调整值,β为误差值;匹配优化特征点由所述最小的匹配损失度J确定。
本实施例中,获取无人机图像帧子图像优化特征点的起始位置的经纬度x2i、y2i以及海拔高度z2i和初始图像帧子图像优化特征点的起始位置的经纬度x1i、y1i以及海拔高度z1i,通过计算可以得到两个点之间的融合损失度J,再根据融合损失度决定优化特征点之间的拟合;通过融合损失度对优化特征点之间进行拟合,可以检测出两优化特征点是否具有拟合的特性,避免了两点之间自行拟合所产生的大量资源消耗,排除了不必要的拟合,节约了服务器的资源并保证了拟合的准确性。
本发明书的一个实施例中,所述步骤S5包括以下步骤:
将初始图像帧序列中不包含匹配图像帧序列的子序列替换成对应的无人机图像帧子序列,从而得到替换图像帧子序列;
将替换后的多段替换图像帧子序列和对应的匹配图像帧子序进行融合,得到无人机的自身重建地图。
作为本发明的一个实施例,参考图3所示,为初始图像帧序列及无人机图像帧序列示意图:
其中点A、B、C、D、E、F、G、H为初始图像帧子图像;点a、b、c、d、e、f、g、h为无人机图像帧子图像;
其中图像帧序列所指是图像帧序列中任意的片段,如图3,例如:从点A到点D,其中经过点B和点C,其中点A、B、C、D四个图像帧子图像组成的序列,即为图像帧序列中的图像帧子序列;
具体例如下:
对初始图像帧序列和无人机图像帧序列进行重叠检测,获取得到两序列之间重叠部分,如图3,经过重叠检测,可以得到图像帧子序列C-D-E与图像帧子序列c-d-e重叠;当这两个序列重叠后,会将图像C与图像c进行融合,图像D与图像d进行融合,图像E与图像e进行融合,得到融合后的图像帧子序列;将剩余部分替换成无人机图像帧子序列,因为无人机绘制的无人机图像帧子序列与电子预设地图中获取的初始图像帧子序列相比较,其中无人机获取的无人机图像帧子序列,具有更准确的特点,电子预设地图获取的图像帧序列,因为更新慢等问题,无法准确的确定地图中的变化;将替换后的子序列与融合的序列进行融合,最终得到无人机自身重建地图。
本实施例中对初始图像帧序列与匹配图像帧序列进行重叠检测,找出初始图像帧序列中与匹配图像帧序列不匹配的初始图像帧子序列,将该初始图像帧子序列替换成对应的无人机图像帧子序列;其中,无人机图像帧子序列比初始图像帧序列更具有时效性,是最新获取的图像信息,避免了电子预设地图中获取的初始图像帧因为太久没更新导致的图像帧序列与现实地图不符的问题;预设的图像帧子序列进行替换,用无人机拍摄的图像帧对齐进行补齐,并且将无人机拍摄的图像和预设图像重叠部分进行融合,得到无人机的自身重建地图,其将两者图像帧进行融合,可以使得图像帧更为完整,修正了无人机图像和预设图像之间的误差,起到扩充局部地图的作用。;
本方法实施例所述,步骤S6具体为:
按照初始位置曲线集合中的初始位置曲线,将每两条相邻的初始位置曲线对应的自身重建地图进行融合,得到半融合地图;
重复上述步骤,直至将所有半融合地图融合完成,从而得到无人机融合地图。
作为本发明的一个实施例,所述获取半融合地图进行融合最终的到无人机融合地图,其中具体为将两条相邻的初始位置曲线对应的无人机自身重建地图进行融合,采用两两融合的方式进行融合;例如,存在地图map1-map8,其中融合步骤为:例如,其中map1和map2相邻,则map1和map2融合,得到半融合地图map9,map3和map4融合,得到半融合地图map10,map5和map6融合,得到半融合地图map11,将map7和map8融合,得到半融合地图map12;再将map9和map10融合,得到半融合地图map13,将map11和map12融合,得到半融合地图map14;最终将半融合地图map13和map14融合,得到最终的无人机融合地图。
本实施例中将初始位置曲线集合中的初始位置曲线所对应的无人机自身重建地图进行融合,其特点是,每一个无人机的自身重建地图都有与之对应的当前位置曲线,利用当前位置曲线来对自身重建地图进行融合,可以省去自身重建地图在服务器中寻找匹配地图的步骤,直接使用相邻的位置曲线对应的自身重建地图进行融合,节省了服务器的比对消耗,加快了地图融合的时间。
本方法实施例所述,将每两条相邻的初始位置曲线对应的自身重建地图进行融合,得到半融合地图的步骤具体为:
对多个自身重建地图之间进行重叠检测,获得多个自身重建地图之间的检测结果,其中检测结果中包括有提取的自身重建地图特征点;
在多个自身重建地图特征点中,选出多组相似特征点对,每组相似特征点对包括相似性最大的两个自身重建地图特征点,以该多组相似特征点对的自身重建地图特征点作为半融合地图连接点,以连接两个目标局部地图;
按照初始位置曲线的位置,将相邻的初始位置曲线对应的自身重建地图进行融合,得到半融合地图。
作为本发明的一个实施例,其中对自身重建地图进行重叠检测,其目的是为了检测出两个地图中重叠的部分,找出重叠部分中所对应的特征点;例如,将自身重建地图map1和map2进行重叠检测,得到map1和map2中重叠的部分,重叠部分中包含了对应的特征点;其中map1中特征点为A、B、C、D、E、F,map2中特征点为a、b、c、d、e、f,其中每个特征点一一对应且特征点相连,当map1和map2融合时,特征点A与a对应,B与b对应,将全部对应的特征点,进行连接,按照特征点的方向,将两个地图连接起来;融合后的地图中,原本处于不同地图却在同一点的特征点A和a,将会被重新命名,删除掉其中一个特征点的名字,选取map1中的特征点对该连接目标点进行命名,即该特征点最终为A点。
本实施例中,利用自身重建地图提取出的特征点进行两个自身重建地图的连接,采用特征点作为连接点其特点是减少了图像对比的服务器负载加快了地图融合的速度,采用两两融合的方法,将地图划分融合,可以做到多线性工作,加快了在服务器负担小的情况下,多任务同时进行,能够最大程度上的加快地图融合的速度;相比于以往的图像匹配融合,其速度更快并且更加准确。
本方法实施例所述,步骤S7具体为:
对比无人机融合地图与无人机的初始位置,从而确定无人机的精准初始定位;
根据无人机的精准初始定位以及无人机融合地图进行分析,生成无人机航线图;
根据无人机航线图,生成导航决策。
作为本发明的一个实施例,其中获取无人机的精确初始定位指的时无人机在地图中确定了目的地后,向服务器发送导航请求时的自身定位;采用图像定位的方式来对无人机进行定位,先获取无人机在当前位置捕获的图像,在全局地图中进行对比,找出当前图像在全局图像中的位置,通过该位置确定无人机的定位;根据无人机定位于目的地的位置,确定可以到达地图点的无人机航线图,因为到达一个地图点,存在多条可以到达该点的路线,所以生成包含全部路线的无人机航线图,根据航线图,通过计算得到最优的路线以及备选路线,即为导航决策;其中,当首选的路线进行飞行任务时,因为无人机自身移动过快,或者因为视野遮挡等问题,导致无人机偏离了原定的路线,就会选择备选路线;因此,备选路线为最优的路线相连的路线,确保无人机的导航不会完全丢失,可以快速恢复工作。
本方法实施例中,地图的构建为了无人机的定位,无人机的定位为了完成导航任务;地图构建完成后,利用全局地图和无人机起始位置重合的方法定位无人机,确保了无人机定位的稳定性;根据无人机的精确初始位置,将其设为起点,在服务器上选择目的地就可以根据全集地图上建立的地图点选取;
本发明实施所述,步骤S8具体为:
根据导航决策,持续无人机融合地图信息并进行分析,以生成无人机航线信息并将无人机航线信息发送给无人机;
根据无人机航线信息和自身定位信息,生成航向指令,使无人机执行航向飞行任务,完成无人机导航。
作为本发明的一个实施例,其中将多个信息结合发送给无人机,无人机航线信息为服务器根据无人机航线图从无人机融合地图中调取的与之对应的信息;无人机接受到多个信息后,首先根据自身定位信息,确定自身定位,再按照无人机航线信息选择出飞行的路线;最终按照路线完成无人机的导航飞行任务。
本方法实施例中,利用构建好的全局地图,根据无人机当前的定位以及要到的目的地生成导航路线发送给无人机,充分利用了全局地图,加快了路线生成的时间;用多种信息结合的方式进行导航,使无人机的导航更加精准。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的原理和新颖特点相一致的最宽的范围
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种基于地图融合的无人机导航方法,利用系统实施,所述系统包括有服务器与所述服务器无线连接的多台无人机,其特征在于,所述方法包括以下步骤:
步骤S1:服务器根据GPS导航获得无人机初始位置的预设电子地图,其中预设电子地图中具有多个地图点;
步骤S2:根据预设电子地图获取初始位置曲线集合,所述初始位置曲线集合包括由多个地图点与初始位置之间连接及各地图点与相邻地图点所构成的多条初始位置曲线和多条初始位置曲线所对应的初始图像帧序列;
步骤S3:控制预设数量的无人机从初始位置出发,并根据初始位置曲线集合中的对应的初始位置曲线进行飞行作业,以生成多个无人机图像帧序列;
步骤S4:将初始位置曲线的初始图像帧序列与无人机图像帧序列进行比对,获得匹配图像帧序列;
步骤S5:将初始图像帧序列中的图像帧子序列与匹配图像帧序列中匹配的匹配图像帧子序列进行融合,得到无人机的自身重建地图;
步骤S6:将初始位置曲线对应的自身重建地图进行融合,得到无人机融合地图;
步骤S7:根据无人机融合地图进行分析,获得多个精确地图点的信息和对应的精确位置曲线,并根据的精确地图点的信息和对应的精确位置曲线生成导航决策;
步骤S8:根据导航决策分析生成无人机航线信息,以使无人机执行航向飞行任务,完成无人机导航。
2.根据权利要求1所述的方法,其特征在于,步骤S1包括以下步骤:
根据GPS导航获得的网络中预存的电子预设地图,将预设电子地图中的突出点作为地图点,所述突出点指一系列作为标识的命名实体;
步骤S2具体为:
以初始位置为起点,将多个地图点分别设置为多个目的地,结合电子预设地图中的障碍物信息,将起点与多个目的地连接,从而得到多条与地图点对应的初始位置曲线;
根据初始位置曲线从电子预设地图中获取该初始位置曲线所对应的的初始图像帧序列,所述初始位置曲线集合为每个地图点对应的初始位置曲线和其对应的初始图像帧序列组成的集合。
3.根据权利要求1所述的方法,其特征在于,所述的步骤S3具体为:
步骤S31、控制阈值数量的无人机从初始位置起飞,选择初始位置曲线集合中的一条初始位置曲线,将该初始位置曲线移除初始位置曲线集合并放入已选位置曲线集合;
步骤S32、控制阈值数量的无人机沿选择的初始位置曲线进行飞行作业,根据无人机上的摄像头获取的图像,生成无人机图像帧序列;
步骤S33、无人机到达选择的地图点后,选择相邻的地图点进行飞行作业,到达第二个地图点后返回起点;
步骤S34、循环控制无人机执行步骤S31至步骤S33,直到初始位置曲线集合中所有的初始位置曲线全部移除初始位置曲线集合并放入已选位置曲线集合,以获得全部的无人机图像帧序列。
4.根据权利要求1所述的方法,其特征在于,所述步骤S4的步骤包括以下步骤:
分别对初始图像帧子图像和无人机图像帧子图像进行卷积操作,提取出初始图像帧子图像的特征点A和无人机图像帧子图像的特征点B,其中初始图像帧子图像为初始图像帧子序列中的各图像帧,匹配图像帧子图像帧为匹配图像帧子序列中相应的图像帧;
分别对特征点A与特征点B进行优化得到初始图像帧子图像的优化特征点与无人机图像帧子图像的帧优化特征点;
将初始图像帧子图像的优化特征点与无人机图像帧子图像帧的优化特征点进行对比拟合,获得匹配优化特征点;匹配优化特征点由匹配度高于预设阈值的初始图像帧子图像的优化特征点与匹配图像帧子图像帧的优化特征点拟合合成;
根据匹配优化特征点,获得匹配图像帧序列。
5.根据权利要求4所述的方法,其特征在于,将初始图像帧子图像的优化特征点与无人机图像帧子图像帧的优化特征点进行对比拟合,获得匹配优化特征点是根据匹配损失计算公式得出的,所述匹配损失计算公式为:
其中J为融合损失度,x1i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的经度,y1i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的纬度,z1i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的海拔高度;x2i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的经度,y2i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的纬度,z2i初始图像帧子图像优化特征点的从第一个点的位置到第n个点位置的海拔高度,所述n的取值范围为1,2…m,所述m为所需计算的特征点的总数,α为调整值,β为误差值;融合优化特征点由所述最小的融合损失度J确定。
6.根据权利要求1所述的方法,其特征在于,步骤S5包括以下步骤:
将初始图像帧序列中不包含匹配图像帧序列的子序列替换成对应的无人机图像帧子序列,从而得到替换图像帧子序列;
将替换后的多段替换图像帧子序列和对应的匹配图像帧子序进行融合,得到无人机的自身重建地图。
7.根据权利要求1所述的方法,其特征在于,步骤S6具体为:
按照初始位置曲线集合中的初始位置曲线,将每两条相邻的初始位置曲线对应的自身重建地图进行融合,得到半融合地图;
重复上述步骤,直至将所有半融合地图融合完成,从而得到无人机融合地图。
8.根据权利要求7所述的方法,其特征在于,将每两条相邻的初始位置曲线对应的自身重建地图进行融合,得到半融合地图的步骤具体为:
对多个自身重建地图之间进行重叠检测,获得多个自身重建地图之间的检测结果,其中检测结果中包括有提取的自身重建地图特征点;
在多个自身重建地图特征点中,选出多组相似特征点对,每组相似特征点对包括相似性最大的两个自身重建地图特征点,以该多组相似特征点对的自身重建地图特征点作为半融合地图连接点,以连接两个目标局部地图;
按照初始位置曲线的位置,将相邻的初始位置曲线对应的自身重建地图进行融合,得到半融合地图。
9.根据权利要求1所述的方法,其特征在于,步骤S7具体为:
对比无人机融合地图与无人机的初始位置,从而确定无人机的精准初始定位;
根据无人机的精准初始定位以及无人机融合地图进行分析,生成无人机航线图;
根据无人机航线图,生成导航决策。
10.根据权利要求1所述的方法,其特征在于,步骤S8具体为:
根据导航决策,持续无人机融合地图信息并进行分析,以生成无人机航线信息并将无人机航线信息发送给无人机;
根据无人机航线信息和自身定位信息,生成航向指令,使无人机执行航向飞行任务,完成无人机导航。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211189912.9A CN115574831A (zh) | 2022-09-28 | 2022-09-28 | 一种基于地图融合的无人机导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211189912.9A CN115574831A (zh) | 2022-09-28 | 2022-09-28 | 一种基于地图融合的无人机导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115574831A true CN115574831A (zh) | 2023-01-06 |
Family
ID=84583276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211189912.9A Pending CN115574831A (zh) | 2022-09-28 | 2022-09-28 | 一种基于地图融合的无人机导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115574831A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865454A (zh) * | 2016-05-31 | 2016-08-17 | 西北工业大学 | 一种基于实时在线地图生成的无人机导航方法 |
CN109326006A (zh) * | 2018-09-30 | 2019-02-12 | 百度在线网络技术(北京)有限公司 | 地图融合方法和装置 |
CN109559277A (zh) * | 2018-11-28 | 2019-04-02 | 中国人民解放军国防科技大学 | 一种面向数据共享的多无人机协同地图构建方法 |
CN110648283A (zh) * | 2019-11-27 | 2020-01-03 | 成都纵横大鹏无人机科技有限公司 | 图像拼接方法、装置、电子设备和计算机可读存储介质 |
CN111028277A (zh) * | 2019-12-10 | 2020-04-17 | 中国电子科技集团公司第五十四研究所 | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 |
CN111954886A (zh) * | 2019-06-14 | 2020-11-17 | 北京嘀嘀无限科技发展有限公司 | 对象追踪的系统和方法 |
CN112288875A (zh) * | 2020-10-30 | 2021-01-29 | 中国有色金属长沙勘察设计研究院有限公司 | 一种面向无人机矿山巡检场景的快速三维重建方法 |
CN114088081A (zh) * | 2021-10-10 | 2022-02-25 | 北京工业大学 | 一种基于多段联合优化的用于精确定位的地图构建方法 |
CN114964209A (zh) * | 2022-05-13 | 2022-08-30 | 天健极光(北京)科技发展有限公司 | 基于红外阵列成像的长航时无人机自主导航方法和系统 |
-
2022
- 2022-09-28 CN CN202211189912.9A patent/CN115574831A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865454A (zh) * | 2016-05-31 | 2016-08-17 | 西北工业大学 | 一种基于实时在线地图生成的无人机导航方法 |
CN109326006A (zh) * | 2018-09-30 | 2019-02-12 | 百度在线网络技术(北京)有限公司 | 地图融合方法和装置 |
CN109559277A (zh) * | 2018-11-28 | 2019-04-02 | 中国人民解放军国防科技大学 | 一种面向数据共享的多无人机协同地图构建方法 |
CN111954886A (zh) * | 2019-06-14 | 2020-11-17 | 北京嘀嘀无限科技发展有限公司 | 对象追踪的系统和方法 |
CN110648283A (zh) * | 2019-11-27 | 2020-01-03 | 成都纵横大鹏无人机科技有限公司 | 图像拼接方法、装置、电子设备和计算机可读存储介质 |
CN111028277A (zh) * | 2019-12-10 | 2020-04-17 | 中国电子科技集团公司第五十四研究所 | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 |
CN112288875A (zh) * | 2020-10-30 | 2021-01-29 | 中国有色金属长沙勘察设计研究院有限公司 | 一种面向无人机矿山巡检场景的快速三维重建方法 |
CN114088081A (zh) * | 2021-10-10 | 2022-02-25 | 北京工业大学 | 一种基于多段联合优化的用于精确定位的地图构建方法 |
CN114964209A (zh) * | 2022-05-13 | 2022-08-30 | 天健极光(北京)科技发展有限公司 | 基于红外阵列成像的长航时无人机自主导航方法和系统 |
Non-Patent Citations (1)
Title |
---|
刘祥龙, 机械工业出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11187540B2 (en) | Navigate, track, and position mobile devices in GPS-denied or GPS-inaccurate areas with automatic map generation | |
KR102338270B1 (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
CN109324337B (zh) | 无人飞行器的航线生成及定位方法、装置及无人飞行器 | |
Cesetti et al. | A visual global positioning system for unmanned aerial vehicles used in photogrammetric applications | |
KR102394103B1 (ko) | 위치 결정 방법 및 장치, 서버 및 시스템 | |
CN107131883B (zh) | 基于视觉的全自动移动终端室内定位系统 | |
US9666083B2 (en) | Method for inserting a segment of flight plan in a flight plan | |
CN106371452B (zh) | 一种飞行器限飞区域信息的获取、共享方法、装置及系统 | |
CN112432649A (zh) | 一种引入威胁因子的启发式无人机蜂群航迹规划方法 | |
CN106373433A (zh) | 一种飞行器的飞行路线设置方法及装置 | |
CN108021886B (zh) | 一种无人机重复纹理影像局部显著特征点匹配方法 | |
Michaelsen et al. | Stochastic reasoning for structural pattern recognition: An example from image-based UAV navigation | |
CN112712558A (zh) | 一种无人驾驶设备的定位方法及装置 | |
CN116839600A (zh) | 一种基于轻量化点云地图的视觉测绘导航定位方法 | |
CN112799430B (zh) | 基于可编程无人机的路面图像智能采集方法 | |
CN112382134B (zh) | 生成飞行路径的方法、装置、存储介质和电子设备 | |
CN115574831A (zh) | 一种基于地图融合的无人机导航方法 | |
CN112833891A (zh) | 基于卫片识别的道路数据与车道级地图数据的融合方法 | |
CN112346480A (zh) | 一种室内无人机及其控制方法、计算机可读存储介质 | |
KR101962388B1 (ko) | 위성 영상 지도의 자동 생성 방법 및 시스템 | |
CN115615436A (zh) | 一种多机重定位的无人机定位方法 | |
CN114689074A (zh) | 信息处理方法和导航方法 | |
US20220295229A1 (en) | Cellular-based navigation method | |
KR101948792B1 (ko) | 증강 현실을 이용한 무인 항공기 운용 방법 및 장치 | |
CN114199243A (zh) | 用于机器人的位姿估计和运动规划方法、装置和机器人 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230106 |
|
RJ01 | Rejection of invention patent application after publication |