CN116793340A - 一种无人机自动着陆导航方法、装置及电子设备 - Google Patents

Abstract

本申请提供一种无人机自动着陆导航方法、装置及电子设备。方法应用于无人机，包括：获取第一定位数据，第一定位数据为GPS/INS组合导航设备确定的无人机的位置数据；获取第二定位数据，第二定位数据为热成像视觉导航设备确定的无人机的位置数据；基于第一定位数据和第二定位数据，通过卡尔曼滤波器得到修正参数；根据修正参数对第一定位数据进行误差校正，以得到无人机的定位数据；基于着陆位置数据和定位数据，确定无人机的导航路线，着陆位置为预设的着陆点的位置数据。本申请具有能够提供高精度的无人机导航的效果。

Description

一种无人机自动着陆导航方法、装置及电子设备

技术领域

本申请涉及无人机导航的技术领域，具体涉及一种无人机自动着陆导航方法、装置及电子设备。

背景技术

无人机具有体积小、造价低、机动灵活、使用方便以及对环境条件要求较低等诸多优点，并且随着科技的发展，无人机逐步被广泛应用于军用、民用以及警用等众多领域，所执行的任务包括目标侦察、跟踪监视、目标打击、抢险救灾、人员搜救以及地形勘察等。

目前，大部分无人机设置有自动返航功能，当遥控系统发生异常而失去对无人机的控制时，需要无人机启动自动返航功能，从当前位置返回至出发点或者预设的返航目的地。在无人机着陆回收过程，为了使无人机能安全稳定地在着陆点进行自动着陆，导航系统需精确地实时获取无人机的位置，以精准控制无人机的航迹，从而使无人机能够实现自动着陆。

目前，在无人机自动返航时，导航系统大多使用全球定位系统(GPS)，或者惯性导航系统(Inertial Navigation System，INS)。但GPS导航精度受制于信号强度，卫星定位信号很容易受到遮挡或干扰，并且导航精度通常达不到无人机自动着陆的导航精度需求。INS在短时间内提供的导航精度非常高，但INS在长时间运行中存在积累误差问题，导航精度会随着时间的推移而下降。

因此，需要一种方法能够提供高精度的无人机导航。

发明内容

本申请提供一种无人机自动着陆导航方法、装置及电子设备，具有能够提供高精度的无人机导航的效果。

在本申请的第一方面提供了一种无人机自动着陆导航方法，所述方法应用于无人机，包括：

获取第一定位数据，所述第一定位数据为GPS/INS组合导航设备确定的无人机的位置数据；

获取第二定位数据，所述第二定位数据为热成像视觉导航设备确定的所述无人机的位置数据；

基于所述第一定位数据和所述第二定位数据，通过卡尔曼滤波器得到修正参数；

根据所述修正参数对所述第一定位数据进行误差校正，以得到所述无人机的定位数据；

基于着陆位置数据和所述定位数据，确定所述无人机的导航路线，所述着陆位置为预设的着陆点的位置数据。

通过采用上述技术方案，无人机结合GPS/INS组合导航设备和热成像视觉导航设备的数据，可以综合利用多个导航方式的优点，弥补各自的局限性，从而提供更准确和稳定的导航解算结果。无人机通过第一定位数据和第二定位数据计算得到的修正参数，再对第一定位数据进行误差校正，得到更精准的定位数据。卡尔曼滤波器的滤波算法可以根据动态模型和测量数据的准确性进行估计和预测，从而减小误差并提高定位数据的精度。通过多源数据融合和卡尔曼滤波等方式，提高了导航的精度，能够提供一种高精度的无人机导航。

可选的，在所述获取第一定位数据，所述第一定位数据为GPS/INS组合导航设备确定的无人机的位置数据之后，所述方法还包括：

获取预设着陆区域，所述预设着陆区域为所述着陆点正上方的预设区域；

基于所述第一定位数据，根据电子围栏算法，判断所述无人机是否处于所述预设着陆区域内；

若确定所述无人机处于所述预设着陆区域内，则发送热成像视觉定位指令至所述热成像视觉导航设备，以使所述热成像视觉导航设备获取所述第二定位数据。

通过采用上述技术方案，通过电子围栏算法，根据第一定位数据，可以判断无人机是否处于预设着陆区域内。这样可以更准确地确定无人机的位置相对于着陆点的位置关系，并做出相应的决策。

可选的，在所述若确定所述无人机处于所述预设着陆区域内，则发送热成像视觉定位指令至所述热成像视觉导航设备，以使所述热成像视觉导航设备获取所述第二定位数据之后，所述方法还包括：

接收所述热成像视觉导航设备发送的多个热图，所述热图包括所述无人机的图像；

对所述第一热图进行预处理，得到第一处理图像，对第二热图进行所述预处理，得到第二处理图像，所述第一热图和所述第二热图为多个所述热图中的任意相邻的两帧热图；

获取所述第一处理图像的第一特征，并获取所述第二处理图像的第二特征；

根据所述第一特征和所述第二特征，进行相似度匹配，得到匹配结果；

基于所述匹配结果，获取所述第二定位数据。

通过采用上述技术方案，从第一处理图像和第二处理图像中提取第一特征和第二特征，并进行相似度匹配，可以通过比较特征之间的相似性来判断无人机的位置和姿态变化，从而为自动着陆导航提供更可靠的定位数据。

可选的，所述基于所述着陆位置数据和所述定位数据，确定所述无人机的导航路线，具体包括：

将所述定位数据中的高度数据设置为零，得到水平定位数据；

将所述着陆位置数据中的高度数据设置为零，得到水平着陆位置数据；

基于所述水平定位数据和所述水平着陆位置数据，确定所述导航路线。

通过采用上述技术方案，通过将高度数据设置为零，可以简化导航计算过程。高度数据通常引入了额外的复杂性和不确定性，但在某些情况下，特别是在水平导航要求较高的情况下，水平位置的准确性更为关键。因此，通过将高度数据忽略或设置为零，可以简化导航计算并提高导航精度。

可选的，所述基于所述第一定位数据和所述第二定位数据，通过卡尔曼滤波器得到修正参数，具体包括：

对所述卡尔曼滤波器进行初始化，得到初始滤波器；

将所述第一定位数据输入所述初始滤波器，确定第一卡尔曼增益和第一状态估计值；

将所述第二定位数据输入所述初始滤波器，确定第二卡尔曼增益和第二状态估计值；

基于所述第一卡尔曼增益和所述第一状态估计值，以及所述第二卡尔曼增益和所述第二状态估计值，确定所述修正参数。

通过采用上述技术方案，通过卡尔曼滤波器，可以将第一定位数据和第二定位数据进行融合，并估计修正参数。修正参数可以用于校正第一定位数据的误差，从而提高无人机的定位精度。卡尔曼滤波器可以根据测量数据和动态模型的准确性进行估计和预测，通过迭代计算，逐步减小定位误差。

可选的，在所述基于所述着陆位置数据和所述定位数据，确定所述无人机的导航路线之后，所述方法还包括：

获取所述无人机的实时位置数据；

基于所述实时位置数据和所述着陆位置数据，确定所述无人机与所述着陆点之间的实时距离；

判断所述实时距离是否大于预设阈值，若确定所述实时距离小于或等于所述预设阈值，则获取无人机中光学视觉导航设备拍摄的着陆点图像；

识别所述着陆点图像中关键特征；

判断所述关键特征与预设的着陆点特征是否一致，若确定所述关键特征与所述着陆点特征一致，则获取所述光学视觉导航设备针对所述无人机的视觉导航数据。

通过采用上述技术方案，获取实时位置数据、计算实时距离、判断着陆条件，以及使用光学视觉导航设备获取并分析着陆点图像，可以帮助无人机实现自动着陆导航。有助于确保无人机准确地识别和接近着陆点，并为无人机的安全着陆提供支持。

可选的，所述第一定位数据包括所述无人机的第一位置数据和第一速度数据；

所述第二定位数据包括所述无人机的第二位置数据和第二速度数据。

通过采用上述技术方案，第一定位数据来自GPS/INS组合导航设备，它可以提供较高的位置和速度测量精度。第二定位数据来自热成像视觉导航设备，它可以提供独立的位置和速度测量。通过综合使用这两个数据源，可以获得更精确的无人机定位和速度信息。

在本申请的第二方面提供了一种无人机自动着陆导航装置，所述装置安装于无人机，包括第一定位模块、第二定位模块、校正模块、处理模块以及导航模块，其中：

所述第一定位模块，用于获取第一定位数据，所述第一定位数据为GPS/INS组合导航设备确定的无人机的位置数据；

所述第二定位模块，用于获取第二定位数据，所述第二定位数据为热成像视觉导航设备确定的所述无人机的位置数据；

所述校正模块，用于基于所述第一定位数据和所述第二定位数据，通过卡尔曼滤波器得到修正参数；

所述处理模块，用于根据所述修正参数对所述第一定位数据进行误差校正，以得到所述无人机的定位数据；

所述导航模块，用于基于着陆位置数据和所述定位数据，确定所述无人机的导航路线，所述着陆位置为预设的着陆点的位置数据。

在本申请的第三方面提供了一种电子设备，包括处理器、存储器、用户接口以及网络接口，所述存储器用于存储指令，所述用户接口和所述网络接口均用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述任意一项所述的方法。

在本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如上述任意一项所述的方法步骤。

综上所述，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

无人机结合GPS/INS组合导航设备和热成像视觉导航设备的数据，可以综合利用多个导航方式的优点，弥补各自的局限性，从而提供更准确和稳定的导航解算结果。无人机通过第一定位数据和第二定位数据计算得到的修正参数，再对第一定位数据进行误差校正，得到更精准的定位数据。卡尔曼滤波器的滤波算法可以根据动态模型和测量数据的准确性进行估计和预测，从而减小误差并提高定位数据的精度。通过多源数据融合和卡尔曼滤波等方式，提高了导航的精度，能够提供一种高精度的无人机导航。

附图说明

图1是本申请实施例公开的一种无人机自动着陆导航方法的应用场景示意图；

图2是本申请实施例公开的一种无人机自动着陆导航方法的流程示意图；

图3是本申请实施例公开的一种着陆图像中关键特征的场景示意图；

图4是本申请实施例公开的一种预设的着陆点特征的场景示意图；

图5是本申请实施例公开的一种无人机自动着陆导航装置的结构示意图；

图6是本申请实施例公开的一种电子设备的结构示意图。

附图标记说明：501、第一定位模块；502、第二定位模块；503、校正模块；504、处理模块；505、导航模块；601、处理器；602、通信总线；603、用户接口；604、网络接口；605、存储器。

实施方式

为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

在对本申请实施例进行介绍之前，首先对本申请实施例中涉及的一些名词进行定义和说明。

全球定位系统（Global Positioning System，GPS）由一组位于太空中的卫星和地面控制站组成，可以提供全天候、全球范围的定位和导航功能。GPS的工作原理是基于三角定位原理，GPS接收器通过接收来自多颗卫星的定位信号，测量这些卫星和接收器之间的距离，并使用这些距离信息来确定接收器的位置。每颗GPS卫星都具有精确的轨道和时间信息，并通过无线电信号将这些信息传输到地球上的接收器。接收器通过收集多颗卫星的信号，并使用三角定位的方法计算出自身的位置。

惯性导航系统（Inertial Navigation System，INS）是一种利用加速度计和陀螺仪等惯性传感器来测量运动状态和方向的导航系统。INS不依赖外部信号源（如卫星导航系统），而是通过测量加速度计和陀螺仪的输出来计算和估计运动参数，从而实现导航和定位。惯性导航系统的工作原理是基于牛顿力学的惯性原理。根据牛顿第一和第二定律，物体的运动状态（位置、速度和加速度）可以通过测量和积分物体的加速度和角速度来计算。由于使用惯性传感器直接测量运动参数，INS可以提供高精度的导航和定位结果，由于传感器存在噪声和漂移，INS的测量结果会随着时间的推移而产生累积误差。

卡尔曼滤波器（Kalman Filter）是一种用于估计系统状态的递归滤波器。它通过将实时观测数据与先前的状态估计进行加权融合，从而提供对系统状态的最优估计。卡尔曼滤波器是一种最小均方误差滤波器，能够处理包含噪声和不确定性的动态系统。

卡尔曼滤波器能够根据传感器的精度特性和不确定性，对观测值进行加权融合。通过使用多个传感器的数据，可以减小单一传感器的误差和不确定性，从而提高测量的精度。例如，在导航系统中同时使用GPS和惯性传感器，卡尔曼滤波器可以将两者的观测值进行融合，得到更精确的位置和速度估计。

卡尔曼滤波器是一种递归滤波器，能够实时更新状态估计。这意味着导航系统可以及时获得最新的估计结果，而不需要等待所有数据收集完毕后再进行处理。通过连续的预测和更新步骤，卡尔曼滤波器可以动态调整状态估计，使其更贴近实际情况，提高导航系统的精度和实时性。

无人机具有体积小、造价低、机动灵活、使用方便以及对环境条件要求较低等诸多优点，并且随着科技的发展，无人机逐步被广泛应用于军用、民用以及警用等众多领域，所执行的任务包括目标侦察、跟踪监视、目标打击、抢险救灾、人员搜救以及地形勘察等。

目前，大部分无人机设置有自动返航功能，当遥控系统发生异常而失去对无人机的控制时，或者检测到无人机电池的电量低于预设的阈值时，需要无人机启动自动返航功能，从当前位置返回至出发点或者预设的返航目的地。在无人机着陆回收过程，为了使无人机能安全稳定地在着陆点进行自动着陆，导航系统需精确地实时获取无人机的位置，以精准控制无人机的航迹，从而使无人机能够实现自动着陆。

目前，在无人机自动返航时，导航系统大多使用全球定位系统(GPS)，或者惯性导航系统(Inertial Navigation System，以下简称INS)。但GPS导航精度受制于信号强度，卫星定位信号很容易受到遮挡或干扰，并且导航精度通常达不到无人机自动着陆的导航精度需求。INS在短时间内提供的导航精度非常高，但INS在长时间运行中存在积累误差问题，导航精度会随着时间的推移而下降。

GPS/INS组合导航系统虽然能够结合两种导航系统的优点，提高无人机的导航精度，但对于导航精度要求极高的场景，参照图1，其示出了本申请一个实施例提供的一种无人机自动着陆导航方法的应用场景示意图，例如在无人机承载车辆侧门上的自动起降平台上进行自动着陆时，需要其它高精度导航方法完成定位导航。或者是在无人机自动飞回充电桩进行充电，或者无人机将快递运送至指定位置时，GPS/INS组合导航系统的导航精度也难以满足需求，因此，需要一种方法能够提供高精度的无人机导航。

本实施例公开了一种无人机自动着陆导航方法，参照图2，包括如下步骤S110-S150：

S110，获取第一定位数据，第一定位数据为GPS/INS组合导航设备确定的无人机的位置数据。

具体地，当无人机自动返航功能启动时，无人机首先进行GPS/INS组合导航设备初始化，GPS/INS组合导航设备安装于无人机中，GPS/INS组合导航设备装载有GPS导航系统和INS导航系统。无人机启动GPS导航系统，等待接收卫星信号，获取初始的经纬度位置数据和速度估计。同时初始化INS导航系统，包括校准惯性传感器、设置初始状态以及协方差矩阵等。再获取GPS定位数据，无人机的GPS/INS组合导航设备连续接收卫星信号，并连续计算出无人机的位置和飞行速度。在多次获取GPS定位数据时，可以通过卡尔曼滤波器对多个GPS定位数据进行融合，使用GPS定位数据更新卡尔曼滤波器中的状态向量和状态协方差矩阵，通过卡尔曼滤波器的预测步骤预测无人机的实时位置，从而提高定位精度，对具体的融合过程仅为相关技术领域的常规技术手段，在此不再做进一步赘述。

在获取GPS定位数据的同时，无人机的GPS/INS组合导航设备获取惯性传感器测量的数据，计算出加速度和角速度数据，并根据系统模型和先前的状态估计，预测当前时刻无人机的INS定位数据和飞行速度。

无人机获取GPS定位数据和INS定位数据后，需要将二者转换到同一坐标系下，从而进行后续融合计算。转换后，首先计算卡尔曼增益，计算卡尔曼增益的过程涉及状态协方差矩阵、观测矩阵以及观测噪声的协方差矩阵，这些参数需要在卡尔曼滤波器的初始化阶段进行设置，并且可能需要根据具体应用进行调整和优化。得到卡尔曼增益后，使用卡尔曼增益将转换后的GPS定位数据和INS定位数据进行加权融合，得到更新后的定位数据。同理对GPS导航系统测量的无人机飞行速度数据，与INS导航系统测量的无人机飞行速度数据进行加权融合，得到更新后的飞行速度数据。更新后的定位数据和飞行速度数据即第一定位数据。

在整个过程中，卡尔曼滤波器是实现GPS和INS融合的关键。它通过将GPS测量值和INS预测值进行加权融合，利用它们的优势来提供更准确和可靠的定位结果。卡尔曼滤波器通过动态地调整权重和状态协方差矩阵来适应不同的定位条件和精度要求。而上述定位数据的计算、转换以及融合过程中所涉及的技术仅为相关技术领域的常规技术手段，在此不再做进一步赘述。

在一种可能的实施方式中，由于热成像视觉导航设备需要通过拍摄无人机的图像进行定位，热成像视觉导航设备安装于着陆点附近，距离着陆点预设距离，能够拍摄着陆点正上方天空的热图，热成像视觉导航设备装载有热成像视觉导航系统，与无人机进行无线通信。热成像视觉导航设备的热成像仪器在拍摄较远距离时可能会受到大气干扰、能量衰减和图像分辨率降低等因素的影响。因此，在启动热成像视觉导航设备之前，无人机先判断是否进入预设着陆区域，预设着陆区域优选为以着陆点为圆心，以预设长度为半径的圆形区域。预设长度则根据热成像仪器的参数设定，保证在无人机在预设着陆区域内时，热成像仪器能够拍摄出清晰的热图。

具体地，根据电子围栏算法判断无人机是否处于预设着陆区域内，当无人机进入预设着陆区域，或在该区域内活动时，热成像视觉导航设备启动。在通过上述步骤计算出无人机的定位数据后，获取预设的着陆点的着陆位置数据，基于定位数据和着陆位置数据计算无人机到着陆点水平方向上的距离。再判断距离是否大于圆形区域半径，若确定距离大于圆形区域半径，则无人机继续向着陆点飞行。直至距离小于或等于区域半径，则无人机处于预设着陆区域内，热成像视觉导航设备启动。

S120，获取第二定位数据，第二定位数据为热成像视觉导航设备确定的无人机的位置数据。

具体地，热成像仪器提前设置于着陆点附近，镜头对准正上方天空进行拍摄。无人机进入预设着陆区域后，发送启动指令至热成像视觉导航设备，热成像视觉导航设备启动。或者无人机进入预设着陆区域后，热成像视觉导航设备自动启动。热成像视觉导航设备通过热成像仪器连续拍摄热图，并发送热图至无人机，无人机首先对图像进行预处理，将其转换为8位256色灰度图像，以减小运算量。然后对灰度图像进行中值滤波，以消除图像中的随机噪声。

预处理完成后，首先从连续的图像序列中提取特征点，这些特征点可以是图像中无人机明显的角点、边缘或纹理区域。可以运用特征点提取算法包括Harris角点检测、SIFT（尺度不变特征变换）或SURF（加速稳健特征）等。再进行特征匹配，将当前图像中提取的特征点与前一帧图像中的特征点进行匹配。可以使用特征描述子（如SIFT或SURF）来计算特征点的描述，然后通过比较描述子之间的相似度来进行匹配。接着进行运动估计，根据特征点的匹配关系，估计无人机的运动，同时记录热成像仪器的位置、姿态以及方向等参数。可以使用基本矩阵或本质矩阵等几何变换矩阵来计算无人机之间的运动变换。一种常见的方法是通过使用RANSAC（随机抽样一致性）算法来筛选匹配点，以排除错误匹配。最后进行位置估计，基于运动估计结果，累积计算无人机相对于初始位置的位移。通过将每一帧图像的运动变换与前一帧的位移相结合，可以得到无人机相对于初始位置的位置估计，从而得到无人机的第二位置数据。

需要注意的是，上述步骤只是一种稍微简单的方法，实际的热成像视觉导航设备会使用更复杂的技术和算法来提高精度和鲁棒性。例如，可以使用滤波器来平滑运动估计结果，使用多帧图像进行联合优化，或使用深度学习模型进行特征提取和匹配等。本实施例对热成像视觉导航设备进行无人机定位的简单描述仅为了说明方案的可实施性，所涉及的技术仅为相关技术领域的常规技术手段，在此不再做进一步赘述。

同时，相对于传统的光学视觉导航设备，热成像视觉导航设备可在雾霾、风沙等能见度低的天气下进行热图拍摄，从而通过相应算法进行热成像视觉导航。以及热成像技术不受光线条件的限制，它可以在黑暗或弱光环境下工作，无论是白天还是夜晚，都能提供准确的热图信息，这使得热成像视觉导航在夜间、室内或其他低光环境下具有更高的适用性。

S130，基于第一定位数据和第二定位数据，通过卡尔曼滤波器得到修正参数。

具体地，首先进行初始化，设置卡尔曼滤波器的状态向量、状态协方差矩阵和观测矩阵。然后进行第一定位数据融合，使用GPS/INS组合导航设备获取第一定位数据，包括无人机位置和速度。将第一定位数据作为观察值，通过卡尔曼滤波器的更新步骤，计算第一卡尔曼增益和修正后的第一状态估计值，并更新状态协方差矩阵。接着融合第二定位数据，同样使用视觉导航设备获取第二定位数据，包括无人机的位置和速度的估计值。将第二定位数据作为观测值，通过卡尔曼滤波器的更新步骤，计算第二卡尔曼增益和修正后的第二状态估计值，并更新状态协方差矩阵。最后计算修正参数，根据融合后的第一状态估计值和第二状态估计值，计算修正参数。修正参数可以是位置偏移量、姿态校正等，具体取决于无人机的应用需求和视觉导航设备的输出。

在整个过程中，需要根据具体的应用场景和系统要求，设置合适的状态向量、状态协方差矩阵以及观测矩阵。此外，卡尔曼滤波器的初始化和调优也是重要的步骤，需要进行多次测试和调整以获得最佳的结果。同时基于卡尔曼滤波器计算修正参数仅为相关技术领域地技术人员所采用地常规技术手段，在此不再做进一步赘述。

S140，根据修正参数对第一定位数据进行误差校正，以得到无人机的定位数据。

具体地，若计算得到的修正参数是位置偏移量，通常是一个三维向量，表示无人机在空间中相对于第一定位数据的位置修正值。随后在卡尔曼滤波器的更新步骤中，将修正参数应用于第一定位数据的状态估计值，即位置向量。对于位置向量的修正，将修正参数与第一定位数据的状态估计值进行叠加，以得到校正后的位置估计值，即无人机的定位数据。

通过将修正参数与第一定位数据的位置向量进行叠加，可以校正第一定位数据的位置估计值，以反映实际的无人机位置。这样，利用计算得到的修正参数对第一定位数据进行误差校正，可以提高无人机的定位精度和准确性。

需要注意的是，修正参数的单位和坐标系必须与第一定位数据的位置向量保持一致，以确保校正的准确性。此外，在应用过程中，还需要对修正参数进行合理的范围限制和异常值处理，以避免过度校正导致不准确的结果。

S150，基于着陆位置数据和定位数据，确定无人机的导航路线，着陆位置为预设的着陆点的位置数据。

设置无人机的着陆平台时，着陆平台的中心点即着陆点，通过经纬仪等专业定位仪器测量出平台的经纬度，再将其转换为与第一定位数据的坐标系之下，得到着陆位置数据，将着陆位置数据发送至无人机即可。若无人机的着陆位置不固定，为移动式着陆平台，则着陆点的位置数据也会实时变化，此时需要实时获取着陆位置数据，并将位置数据发送至无人。

具体地，任意时刻，无人机的定位数据为无人机返航规划的起点的位置数据，着陆位置数据为无人机返航规划的终点的位置数据，获取到起点和终点的位置数据后，再需要使用路径规划算法确定无人机飞行的最佳导航路线。对于路径规划算法，本实施例优选为A*(A-Star)算法，基于A*算法，无人机能够在有限时间内，找到最短路径。它通过评估节点的代价函数（包括当前节点到目标节点的估计代价和已经走过的路径代价），选择代价最小的节点进行搜索，直到找到目标节点或无法继续搜索为止。

在一种可能的实施方式中，为了降低无人机在短时间内的计算量，从而减少能源消耗，基于A*算法进行导航路线规划时，优先进行水平方向的路径规划，直至无人机飞行到无人机的位置几乎与着陆点的位置重合时，再进行垂直下降，最后距离着陆点较近时再进行水平向和垂直向同时的路径规划，精准着陆。

具体地，可以通过约束搜索空间达到上述减少计算量的目的，限制搜索空间为平面区域，忽略垂直方向的变化。也可以通过优化启发函数达到上述减少计算量的目的，对启发函数进行适应性调整，只考虑水平方向上的代价。还可以通过利用二维位置数据，通过使用可用的二维位置数据，可以直接在水平方向上进行路径规划，而不需要考虑垂直方向的变化。本实施例优选为采用通过利用二维位置数据的方案，只考虑水平方向上的定位数据。在基于定位数据到着陆位置数据，计算无人机当前位置时，直接将垂直方向上的位置差值设为零，不进行垂直方向的距离计算。

进行导航路线计算时，首先确定地图表示，将飞行区域建模为一个图形化的地图。可以使用栅格地图或者连续地图表示。如果使用栅格地图，将地图划分为一系列的网格，每个网格表示一个地图单元。如果使用连续地图，可以使用点或多边形表示地图的障碍物和边界。再创建起始节点和目标节点，将无人机当前位置作为起始节点，将着陆位置作为目标节点，此时需要将定位数据和着陆位置数据中的高度数据均设置为零，从而不存在垂直向的位置差。

然后定义代价函数，根据实际需求和应用场景，定义一个合适的代价函数。代价函数用于评估从一个节点移动到另一个节点的代价，例如距离、时间、能量消耗等。在A*算法中，代价函数通常由两部分组成：g(n)表示从起始节点到当前节点的实际代价，h(n)表示从当前节点到目标节点的启发式估计代价。

还要初始化开放列表和关闭列表，创建一个空的开放列表和关闭列表。开放列表用于存储待扩展的节点，关闭列表用于存储已经评估过的节点。将起始节点加入开放列表，将起始节点加入开放列表，并设置其g(n)和h(n)值。随后进行循环搜索过程：在每次循环中，选择开放列表中具有最小f(n)值的节点进行扩展，其中f(n)=g(n)+h(n)。将该节点从开放列表中移动到关闭列表中。扩展节点，对于选择的节点，扩展其相邻节点。计算相邻节点的g(n)和h(n)值，并根据代价函数确定是否更新节点的代价和父节点。

检查终止条件，在每次扩展节点后，检查是否达到终止条件。如果目标节点在关闭列表中，表示找到了从起始节点到目标节点的最短路径。可以根据节点的父节点指针从目标节点回溯，得到导航路线。进行路径优化，在获得最短路径后，可以进行路径优化，例如通过光滑路径、拐角优化等方式，减少路径的转折和长度。最后输出导航路线，将优化后的导航路线输出，用于无人机的导航和控制。

无人机根据导航路线移动至水平方向上的位置与着陆点的位置重合时，获取无人机的高度数据，可以通过气压计进行测量并计算。再根据无人机当前高度数据，与着陆点的高度，计算高度差，然后进行垂直下降。下降过程中，实时获取无人机的实时位置数据，从而计算无人机到着陆点的实时距离。同时，无人机判断实时距离是否大于预设阈值，预设阈值的具体数值根据光学视觉导航设备的有效拍摄距离进行设定，使得实时距离小于或等于预设阈值时，无人机的光学视觉导航设备能够清晰拍摄导航点的图像并进行定位。光学视觉导航设备安装于无人机，可以安装于正下方，通过光学摄像头拍摄图像。

因此，当实时距离大于预设阈值，无人机继续垂直下降靠经导航点，当实时距离小于或等于预设阈值时，光学视觉导航设备启动工作，光学摄像机拍摄正下方的图像，即着陆点图像。无人机获取着陆点图像后，对其进行预处理，包括去除噪音、提升对比度等操作。处理完成后对图像进行特征点提取，识别出着陆图像中的关键特征，参照图3，识别结果如图所示。再将识别的关键特征与预设的着陆点特征进行匹配，参照图4，预设的着陆点特征可以是着陆平台的某个图案，还可以是其它的特定标识。无人机将识别到的关键特征与着陆点特征进行匹配，判断二者是否一致，若二者不一致，表明无人机未到达指定的着陆点，无人机停止自动着陆。若判断出二者一致，表明无人机到达了指定的着陆位置，则无人机控制光学视觉导航设备启动，通过机载摄像头拍摄无人机正下方图像，并结合机载陀螺仪获取的机载摄像头的姿态信息，分析出无人机相对着陆点的位置。接着将分析出的位置数据与GPS/INS组合导航设备确定的无人机的位置数据进行融合，输入至卡尔曼滤波器进行误差校正，得到更精确的视觉导航数据。通过光学视觉导航设备对无人机进行定位并导航的过程中所涉及的技术，仅为相关技术领域的常规技术手段，在此不再做进一步赘述。

本实施例还公开了一种无人机自动着陆导航装置，装置安装于无人机，参照图5，包括第一定位模块501、第二定位模块502、校正模块503、处理模块504以及导航模块505，其中：

第一定位模块501，用于获取第一定位数据，第一定位数据为GPS/INS组合导航设备确定的无人机的位置数据。

第二定位模块502，用于获取第二定位数据，第二定位数据为热成像视觉导航设备确定的无人机的位置数据。

校正模块503，用于基于第一定位数据和第二定位数据，通过卡尔曼滤波器得到修正参数。

处理模块504，用于根据修正参数对第一定位数据进行误差校正，以得到无人机的定位数据。

导航模块505，用于基于着陆位置数据和定位数据，确定无人机的导航路线，着陆位置为预设的着陆点的位置数据。

在一种可能的实施方式中，第一定位模块501，用于获取预设着陆区域，预设着陆区域为着陆点正上方的预设区域。

处理模块504，用于基于第一定位数据，根据电子围栏算法，判断无人机是否处于预设着陆区域内。

导航模块505，用于若确定无人机处于预设着陆区域内，则发送热成像视觉定位指令至热成像视觉导航设备，以使热成像视觉导航设备获取第二定位数据。

在一种可能的实施方式中，处理模块504，用于接收热成像视觉导航设备发送的多个热图，热图包括无人机的图像。

处理模块504，用于对第一热图进行预处理，得到第一处理图像，对第二热图进行预处理，得到第二处理图像，第一热图和第二热图为多个热图中的任意相邻的两帧热图。

处理模块504，用于获取第一处理图像的第一特征，并获取第二处理图像的第二特征。

处理模块504，用于根据第一特征和第二特征，进行相似度匹配，得到匹配结果。

第二定位模块502，用于基于匹配结果，获取第二定位数据。

在一种可能的实施方式中，第一定位模块501，用于将定位数据中的高度数据设置为零，得到水平定位数据。

第一定位模块501，用于将着陆位置数据中的高度数据设置为零，得到水平着陆位置数据。

导航模块505，用于基于水平定位数据和水平着陆位置数据，确定导航路线。

在一种可能的实施方式中，处理模块504，用于对卡尔曼滤波器进行初始化，得到初始滤波器。

处理模块504，用于将第一定位数据输入初始滤波器，确定第一卡尔曼增益和第一状态估计值。

处理模块504，用于将第二定位数据输入初始滤波器，确定第二卡尔曼增益和第二状态估计值。

处理模块504，用于基于第一卡尔曼增益和第一状态估计值，以及第二卡尔曼增益和第二状态估计值，确定修正参数。

在一种可能的实施方式中，第一定位模块501，用于获取无人机的实时位置数据。

导航模块505，用于基于实时位置数据和着陆位置数据，确定无人机与着陆点之间的实时距离。

处理模块504，用于判断实时距离是否大于预设阈值，若确定实时距离小于或等于预设阈值，则获取无人机中光学视觉导航设备拍摄的着陆点图像。

处理模块504，用于识别着陆点图像中关键特征。

处理模块504，用于判断关键特征与预设的着陆点特征是否一致，若确定关键特征与着陆点特征一致，则获取光学视觉导航设备针对无人机的视觉导航数据。

在一种可能的实施方式中，处理模块504，用于确定第一定位数据包括无人机的第一位置数据和第一速度数据。以及，

处理模块504，用于第二定位数据包括无人机的第二位置数据和第二速度数据。

本实施例还公开了一种电子设备，参照图6，电子设备可以包括：至少一个处理器601，至少一个通信总线602，用户接口603，网络接口604，至少一个存储器605。

其中，通信总线602用于实现这些组件之间的连接通信。

其中，用户接口603可以包括显示屏（Display）、摄像头（Camera），可选用户接口603还可以包括标准的有线接口、无线接口。

其中，网络接口604可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器601可以包括一个或者多个处理核心。处理器601利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器605内的指令、程序、代码集或指令集，以及调用存储在存储器605内的数据，执行服务器的各种功能和处理数据。可选的，处理器601可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器601可集成中央处理器601（CentralProcessing Unit，CPU）、图像处理器601（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器601中，单独通过一块芯片进行实现。

其中，存储器605可以包括随机存储器605（Random Access Memory，RAM），也可以包括只读存储器605（Read-Only Memory）。可选的，该存储器605包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。如图所示，作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口603模块以及一种无人机自动着陆导航方法的应用程序。

在图6所示的电子设备中，用户接口603主要用于为用户提供输入的接口，获取用户输入的数据；而处理器601可以用于调用存储器605中存储一种无人机自动着陆导航方法的应用程序，当由一个或多个处理器601执行时，使得电子设备执行如上述实施例中一个或多个的方法。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器605中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器605中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器605包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (10)

1.一种无人机自动着陆导航方法，其特征在于，所述方法应用于无人机，包括：

获取第一定位数据，所述第一定位数据为GPS/INS组合导航设备确定的无人机的位置数据；

获取第二定位数据，所述第二定位数据为热成像视觉导航设备确定的所述无人机的位置数据；

基于所述第一定位数据和所述第二定位数据，通过卡尔曼滤波器得到修正参数；

根据所述修正参数对所述第一定位数据进行误差校正，以得到所述无人机的定位数据；

基于着陆位置数据和所述定位数据，确定所述无人机的导航路线，所述着陆位置为预设的着陆点的位置数据。

2.根据权利要求1所述的一种无人机自动着陆导航方法，其特征在于，在所述获取第一定位数据，所述第一定位数据为GPS/INS组合导航设备确定的无人机的位置数据之后，所述方法还包括：

获取预设着陆区域，所述预设着陆区域为所述着陆点正上方的预设区域；

基于所述第一定位数据，根据电子围栏算法，判断所述无人机是否处于所述预设着陆区域内；

若确定所述无人机处于所述预设着陆区域内，则发送热成像视觉定位指令至所述热成像视觉导航设备，以使所述热成像视觉导航设备获取所述第二定位数据。

3.根据权利要求2所述的一种无人机自动着陆导航方法，其特征在于，在所述若确定所述无人机处于所述预设着陆区域内，则发送热成像视觉定位指令至所述热成像视觉导航设备，以使所述热成像视觉导航设备获取所述第二定位数据之后，所述方法还包括：

接收所述热成像视觉导航设备发送的多个热图，所述热图包括所述无人机的图像；

对第一热图进行预处理，得到第一处理图像，对第二热图进行所述预处理，得到第二处理图像，所述第一热图和所述第二热图为多个所述热图中的任意相邻的两帧热图；

获取所述第一处理图像的第一特征，并获取所述第二处理图像的第二特征；

根据所述第一特征和所述第二特征，进行相似度匹配，得到匹配结果；

基于所述匹配结果，获取所述第二定位数据。

4.根据权利要求1所述的一种无人机自动着陆导航方法，其特征在于，所述基于所述着陆位置数据和所述定位数据，确定所述无人机的导航路线，具体包括：

将所述定位数据中的高度数据设置为零，得到水平定位数据；

将所述着陆位置数据中的高度数据设置为零，得到水平着陆位置数据；

基于所述水平定位数据和所述水平着陆位置数据，确定所述导航路线。

5.根据权利要求1所述的一种无人机自动着陆导航方法，其特征在于，所述基于所述第一定位数据和所述第二定位数据，通过卡尔曼滤波器得到修正参数，具体包括：

对所述卡尔曼滤波器进行初始化，得到初始滤波器；

将所述第一定位数据输入所述初始滤波器，确定第一卡尔曼增益和第一状态估计值；

将所述第二定位数据输入所述初始滤波器，确定第二卡尔曼增益和第二状态估计值；

基于所述第一卡尔曼增益和所述第一状态估计值，以及所述第二卡尔曼增益和所述第二状态估计值，确定所述修正参数。

6.根据权利要求1所述的一种无人机自动着陆导航方法，其特征在于，在所述基于所述着陆位置数据和所述定位数据，确定所述无人机的导航路线之后，所述方法还包括：

获取所述无人机的实时位置数据；

基于所述实时位置数据和所述着陆位置数据，确定所述无人机与所述着陆点之间的实时距离；

判断所述实时距离是否大于预设阈值，若确定所述实时距离小于或等于所述预设阈值，则获取无人机中光学视觉导航设备拍摄的着陆点图像；

识别所述着陆点图像中关键特征；

判断所述关键特征与预设的着陆点特征是否一致，若确定所述关键特征与所述着陆点特征一致，则获取所述光学视觉导航设备针对所述无人机的视觉导航数据。

7.根据权利要求1所述的一种无人机自动着陆导航方法，其特征在于，所述第一定位数据包括所述无人机的第一位置数据和第一速度数据；

所述第二定位数据包括所述无人机的第二位置数据和第二速度数据。

8.一种无人机自动着陆导航装置，其特征在于，所述装置安装于无人机，包括第一定位模块(501)、第二定位模块(502)、校正模块(503)、处理模块(504)以及导航模块(505)，其中：

所述第一定位模块(501)，用于获取第一定位数据，所述第一定位数据为GPS/INS组合导航设备确定的无人机的位置数据；

所述第二定位模块(502)，用于获取第二定位数据，所述第二定位数据为热成像视觉导航设备确定的所述无人机的位置数据；

所述校正模块(503)，用于基于所述第一定位数据和所述第二定位数据，通过卡尔曼滤波器得到修正参数；

所述处理模块(504)，用于根据所述修正参数对所述第一定位数据进行误差校正，以得到所述无人机的定位数据；

所述导航模块(505)，用于基于着陆位置数据和所述定位数据，确定所述无人机的导航路线，所述着陆位置为预设的着陆点的位置数据。

9.一种电子设备，其特征在于，包括处理器(601)、存储器(605)、用户接口(603)以及网络接口(604)，所述存储器(605)用于存储指令，所述用户接口(603)和所述网络接口(604)均用于给其他设备通信，所述处理器(601)用于执行所述存储器(605)中存储的指令，以使所述电子设备执行如权利要求1-7任意一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1-7任意一项所述的方法步骤。