视觉无人机棚内煤场自主飞行与地图构建

针对目前室内大型煤场煤储量估计方法中,固定位置激光打点方式存在盲区、不灵活、精度差,以及基于多旋翼无人机的方法难以适应无GPS的室内环境等缺点,提出结合视觉定位的无人机室内自主飞行盘煤方法。该方法通过融合5个方向的视觉信息,并结合无人机路径规划及避障算法,对煤堆进行了全覆盖的视觉成像,然后,通过运动推断结构方法进行三维建模,用于估计煤储量。经实验验证,所提方法有较好的室内定位精度,基于三维建模的煤堆储量估计与实际储量较为接近,证明了其有效性和可行性。     

基于因子图的无人机视觉定位方法

当前多用途无人机主要依靠全球导航卫星系统（GNSS）和惯性测量单元（IMU）的组合导航实现高精度定位，然而在强电磁干扰以及各类复杂环境GNSS拒止等情况下，该定位模式面临失效的风险。为探索一种GNSS拒止环境下的导航定位手段，对视觉导航方式进行了研究，针对无人机小交会角条件下视觉定位存在高程方向交会精度差、绝对尺度信息缺失、累积误差无法消除和定位轨迹不连续等问题，提出了基于因子图融合影像匹配和视觉信息的光束法平差方法，解决了无人机小交会角下的自主绝对定位问题。     

基于惯性/激光测距/视觉里程计组合的高空场景尺度误差估计方法

惯性/视觉感知信息融合导航定位技术是目前实现无人机不依赖卫星自主导航的最有效手段。但对于面向高空场景的大型无人机，惯性器件误差与视觉里程计尺度误差耦合且特征平面化导致可观测性下降。针对这一问题，提出了利用惯性/激光测距/视觉里程计组合实现尺度误差估计的方法。通过开展误差模型建立、激光测量点与图像中位置匹配、无人机平飞机动下系统可观测性分析等关键技术研究，实现了高空场景下尺度误差的精确估计。经过300m高度机载试验数据验证，算法精度优于1.5%D，对卫星拒止条件下高空无人机自主导航具有重要意义。     

基于图优化的惯性/地磁/激光雷达复合定位技术研究

为解决卫星失锁条件下车辆的高精度、高可靠性定位问题,结合惯性导航、运动约束、地磁 匹配、激光点云匹配方法的优势,提出了一种基于图优化的惯性/地磁/激光雷达复合定位方案。 首先,采用因子图优化算法,实现惯导预积分信息、运动约束信息、地磁匹配信息、激光雷达点云匹 配信息的异步多源信息融合。然后,在点云匹配失效时,惯性/运动约束/地磁可以实现精度保持, 为点云匹配提供持续可用的先验信息,以避免点云匹配一旦失效后由于先验位姿发散再难匹配的 问题。最后,搭建试验平台完成跑车试验。试验结果表明,该方案可以实现车辆的高精度、高可靠 性定位,点云匹配有效定位精度为1.24m(max),均方根为0.48m,在因点云地图缺失而造成匹配 失效时,惯性/运动约束/地磁可实现定位精度保持在10.29m(max)。     

地图辅助行人航迹推算技术的室内定位方法

针对目前室内定位技术中位置漂移、定位结果偏差较大的问题,提出了一种融合行人航迹推算(PDR)、地标匹配修正和地图辅助的室内行人定位方法.该方法利用基于惯性传感器的PDR技术计算行人位置信息,利用行走过程中的传感器读数特征识别室内特定地标点,与地标库数据进行匹配后,修正PDR轨迹产生的累积误差.室内地图辅助主要是通过判断行人是否位于走廊等区域,限制轨迹穿墙,约束PDR定位轨迹.实验结果表明,融合定位算法得到的轨迹优于纯惯性递推算法得到的轨迹,更加接近真实的行走轨迹,定位精度提高了51.2％,平均定位误差降至1.8m,满足室内定位需求.     

基于注意力模型的视觉/惯性组合里程计算法研究

由于外界环境的干扰和传感器精度的限制,视觉/惯性组合里程计的输入数据存在一定的噪声,这会增加里程计的解算误差,而且误差会随着时间积累。针对以上问题,设计了一种基于注意力模型的视觉/惯性组合里程计算法。该算法使用卷积神经网络和长短时记忆网络分别构建了视觉特征提取器与惯导信息特征提取器,同时引入了两种注意力模型:加权组合网络以及开关组合网络,对视觉特征信息和惯导特征信息的融合噪声进行降噪处理。通过在组合里程计算法中添加闭环校正环节,有效地抑制了里程计误差随时间的积累。对比实验结果表明,设计的组合里程计算法与其他算法相比,无论在性能上还是在精度上都有明显的提升。     

视觉与惯性融合的多旋翼飞行机器人室内定位技术

随着人工智能技术的发展，无人机的应用场景趋向多元，人们对无人机的需求也不仅仅满足于简单的飞行任务，而是赋予其飞行机器人的角色，对其自主导航、复杂环境下的定位以及智能协同方面提出了更高的要求。针对室内场景下的定位需求，融合视觉与惯性数据实现了多旋翼飞行机器人的室内定位。在视觉前端加入图像增强算法以提高图像灰度对比度，减少了光流跟踪的误匹配点数。提出了一种基于图像信息的特征点提取和图像帧发布策略提高了定位精度，解决了室内环境下的定位漂移问题。针对飞行机器人室内自主跟踪及降落任务，设计了基于视觉定位的飞行机器人自主降落系统。在Gazebo中搭建飞行机器人模型仿真验证自主降落系统有效性，在EuRoC数据集下对定位算法进行对比评估，搭建飞行机器人平台在真实场景下进行室内定位实验，完成了室内场景下平台自主跟踪及降落任务，并采用运动捕捉系统获取的定位真值数据进行了误差分析，结果表明该定位技术满足室内场景下的自主跟踪及降落任务需求。     

视觉/惯性着陆组合引导方法设计与试验

为了满足复杂环境下无人机视觉着陆引导需求，通过试验分析了视觉定位方法的局限性，设计了一种基于误差状态滤波的视觉/惯性组合引导方法来解决视觉着陆引导中高延时和定位误检问题。采用时间同步方法完成视觉量测信息延时补偿，基于滤波新息自适应方差统计特性实现视觉定位结果误检判别，最后通过试飞试验完成着陆过程中视觉定位和惯性组合数据采集分析。试验结果表明视觉/惯性组合引导方法稳定可靠，能够有效提高视觉引导的实时性和连续性。     

基于FLoFTR算法的无人机实时在线地理定位

研制高效鲁棒的智能视觉定位方法是解决全球导航卫星系统（GNSS）拒止条件下无人机导航定位的重要途径之一。传统视觉定位方法存在精度较差、容易丢失定位的问题。本文提出一种FLoFTR算法，通过对高精度影像匹配算法LoFTR进行改进优化，在无人机计算平台上实现实时高精度定位。FLoFTR采用知识蒸馏方法压缩模型规模，提升推理效率，并通过改进特征提取模块和应用基于余弦距离的特征匹配方法，进一步降低了匹配时间并维持相当的匹配性能。在研制的软硬一体的平台上试验表明，优化后模型平均定位误差损失维持在0.1m以内，定位平均处理时间为47ms，定位速度提升超过7倍，可满足无人机定位的精度和实时性要求。     

基于点线特征融合的双目惯性SLAM算法

针对室内弱纹理场景下,基于点特征的SLAM算法难以追踪足够多的有效特征点,导致系统定位精度和鲁棒性较差,甚至完全失效的问题,提出一种基于点线特征并融合惯性测量单元(IMU)的双目视觉惯性SLAM算法。利用点线特征的互补优势来提高数据关联的准确性,同时引入IMU数据为视觉定位算法提供先验和尺度信息,通过联合最小化多残差函数得到更准确的相机位姿,并据此构建环境点线特征地图、稠密地图和导航地图。针对传统线特征提取算法在复杂场景下易检测到大量短线段和相似线段特征以及线段存在过分割等弊端,利用线段长度抑制、近线合并及断线拼接策略在FLD算法的基础上进行改进,以降低线特征的误匹配率,运行速度是LSD算法的2倍以上。通过对比多组公开数据集和真实弱纹理场景下得到的仿真实验结果可知,所提算法在保证定位精度的同时能够获得更为丰富的环境地图,具备较好的鲁棒性。     

一种基于无线信号辅助的室内无死角定位算法

针对传统惯性导航系统定位误差随时间积累的问题,提出了一种基于无线信号辅助定位的室内无死角定位算法。该算法首先利用加速度计、陀螺仪、磁力计和气压计等传感器数据实现三维定位,然后利用无线信号对惯导定位中的位置偏差进行实时校正,再通过航向最优估计算法对航向误差进行修正,在位置和航向上增强惯导系统的实用性。利用实验室自主研发的微惯性测量单元固定在腰部脊椎位置进行实验验证,结果显示基于无线信号辅助的室内无死角定位算法精度达到1%以内,与纯惯导技术相比,能够提供更持久和准确的三维位置信息。     

基于场景识别的惯性基类脑导航方法

针对无人机导航中惯性器件产生的漂移误差不断随时间累积进而影响导航精度的问题,以仿生类脑导航为研究背景,提出了一种新的导航方法。与传统导航策略不同的是,该方法从周期性校正累积位置误差的角度出发,采用设置位置细胞节点的思路,利用训练好的卷积神经网络模型在细胞节点处进行图像匹配,从而在位置细胞节点处实现惯导位置漂移误差校正。同时,建立节点之间的漂移误差模型,调整误差方程系数,以达到修正漂移误差的目的。最后,基于无人机飞行实验结果验证了该方法对自主导航的有效性和鲁棒性,该方法能够有效提高无人机导航的精度。     

区域导航无人机空中基准站的多源信息融合容错导航系统研究

作为卫星导航系统的补充和备份,区域导航服务系统近年来得到较大发展。在基于无人机的区域导航服务系统中,无人机自身的定位精度对区域导航服务系统的可靠运行有直接的影响。针对无人机导航传感器及系统的容错和可靠性问题,设计了具有针对性和自优化功能的多源信息融合容错导航方案,提出了一种优化的基于矢量分配形式的自适应联邦滤波算法。通过对每个状态量设计不同的信息分配系数,实现传感器量测噪声的动态优化调整,有效减小了传感器故障对融合导航系统的影响,提高了无人机导航系统的鲁棒性。验证分析表明,该方法可以减小子滤波器故障信息对融合导航系统联邦滤波全局估计的影响,避免了故障子滤波器在信息重置过程中对系统造成的污染,提高和保障了无人机空中基准站多源信息融合导航系统的稳定性和可靠性。     

Rapid and robust initialization for monocular visual inertial navigation within multi-state Kalman filter

Sensor-fusion based navigation attracts significant attentions for its robustness and accuracy in various applications. To achieve a versatile and efficient state estimation both indoor and outdoor, this paper presents an improved monocular visual inertial navigation architecture within the Multi-State Constraint Kalman Filter (MSCKF). In addition, to alleviate the initialization demands by appending enough stable poses in MSCKF, a rapid and robust Initialization MSCKF (I-MSCKF) navigation method is proposed in the paper. Based on the trifocal tensor and sigma-point filter, the initialization of the integrated navigation can be accomplished within three consecutive visual frames. Thus, the proposed I-MSCKF method can improve the navigation performance when suffered from shocks at the initial stage. Moreover, the sigma-point filter is applied at initial stage to improve the accuracy for state estimation. The state vector generated at initial stage from the proposed method is consistent with MSCKF, and thus a seamless transition can be achieved between the initialization and the subsequent navigation in I-MSCKF. Finally, the experimental results show that the proposed I-MSCKF method can improve the robustness and accuracy for monocular visual inertial navigations.     

无监督深度学习单目视觉里程计研究

针对传统单目视觉里程计存在的尺度漂移和尺度不一致问题，提出了一种基于无监督深度学习的单目视觉里程计。首先，联合使用空间几何约束和图像相似性约束，得到长序列尺度一致的深度估计网络和鲁棒的光流估计网络；然后，对密集光流进行采样，得到精确的稀疏对应关系，减少尺度漂移；最后，根据改进的ORB-SLAM初始化方法，选择最优跟踪方式，结合深度信息进行尺度对齐，从而得到全局尺度一致的视觉里程计。在KITTI数据集上进行大量实验，结果表明，相较于ORB-SLAM2和基于深度学习的端到端的视觉里程计系统，该算法在通用评估指标方面性能有明显提升，验证了该算法的有效性。     

A novel particle filter approach for indoor positioning by fusing WiFi and inertial sensors

WiFi fingerprinting is the method of recording WiFi signal strength from access points(AP) along with the positions at which they were recorded, and later matching those to new measurements for indoor positioning. Inertial positioning utilizes the accelerometer and gyroscopes for pedestrian positioning. However, both methods have their limitations, such as the WiFi fluctuations and the accumulative error of inertial sensors. Usually, the filtering method is used for integrating the two approaches to achieve better location accuracy. In the real environments, especially in the indoor field, the APs could be sparse and short range. To overcome the limitations, a novel particle filter approach based on Rao Blackwellized particle filter(RBPF) is presented in this paper. The indoor environment is divided into several local maps, which are assumed to be independent of each other. The local areas are estimated by the local particle filter, whereas the global areas are combined by the global particle filter. The algorithm has been investigated by real field trials using a WiFi tablet on hand with an inertial sensor on foot. It could be concluded that the proposed method reduces the complexity of the positioning algorithm obviously, as well as offers a significant improvement in position accuracy compared to other conventional algorithms, allowing indoor positioning error below 1.2 m.