基于滤波和优化的惯性/里程计组合导航精度对比分析

在广泛使用的惯性/里程计组合导航应用中,一贯的方法是使用Kalman滤波器进行组合导航状态估计,展现出了强大的工程适用性。然而其对于历史状态没有修正,导致整体导航精度受限。而基于优化的方法可以平滑整体组合导航的轨迹,有望提升惯性/里程计组合导航的精度和鲁棒性。将优化方法与滤波方法在惯性/里程计组合导航应用中进行对比,分析在不同条件下优化算法和滤波算法的优劣。试验表明,基于优化的算法在含有稀疏位置观测的条件下能够比滤波算法定位精度更高。但是,无位置观测的条件下,滤波算法更加稳定和精确。可以得到：基于滤波的算法更加简单稳定,更适用于工程实践;基于优化的算法模型更加复杂,在观测约束更多的条件下能够得到更好状态估计结果。     

无人机视觉导航相对位置解算及二义性优化方法

针对卫星拒止条件下无人机高精度相对导航的需求,开展了视觉导航相对位置解算方法研究。设计了具有同心圆特征的合作标识,以提升不同距离情况下合作标识检测的鲁棒性。通过椭圆模型将相对位置解算问题转换为高次方程求解问题,实现了像素坐标系下椭圆方程的拟合。提出了基于特征点的相对位置初始化方法和基于运动约束的相对位置跟踪方法,解决了视觉相对位置解算过程中存在的二义性问题,实验结果表明：近距离情况下,所提方法的相对导航解算精度达到厘米级;远距离情况下,所提方法能较好地跟踪相机运动,保持较高的解算精度和鲁棒性,克服了基于二维码ArUco方法失效的不足。     

无人机自主着陆视觉相对位姿测量误差分析方法

卫星拒止条件下无人机自主安全回收的关键是全自主、高精度的测量无人机相对着陆场站的相对位姿信息。视觉相对位姿测量直接敏感高动态运动体之间的相对位姿信息,具有全自主、高精度等优势,为无人机自主安全回收提供新的技术途径。针对视觉相对位姿测量精度易受目标特征提取精度和相机内参数标定误差影响的问题,提出了一种无人机自主着陆视觉相对位姿测量误差分析方法,该方法通过研究测量机理模型确定关键误差影响因素,计算相关参数变化对测量精度的影响,最后利用仿真分析验证本文所提方法的有效性。     

一种检测机场跑道辅助飞机着陆的系统设计

跑道作为机场的关键设施,是飞机着陆和减速滑行的区域,通过视觉定位方法计算飞机相对跑道的位置,可以作为辅助飞机快速平稳着陆的一种思路。视觉传感器所需成本较低,对安装环境要求不高,本文旨在设计一个仅靠视觉传感器对飞机进行定位的辅助着陆系统,运用目标检测和视觉定位两个模型,计算飞机相对跑道的位置。首先搭建出等比例微缩的机场跑道模型,视觉传感器产生运动模拟飞机飞行路径,目标检测模型通过机载视觉传感器获取的图像识别出跑道区域,随后视觉定位模型提取图像中跑道区域特征点,计算飞机相对跑道的位置。分别对目标检测和视觉定位两部分的实现原理及难点进行阐述,尝试将目标检测和视觉定位结合起来实现飞机降落时的定位,描述辅助着陆系统设计的整体思路。     

基于视觉的模型烧蚀形貌实时测量方法

针对电弧风洞试验时模型烧蚀形貌实时的变化问题,使用数字散斑相关结合双目视觉的方法直接测量得到了模型烧蚀过程的形貌变化历程。利用散斑相关来进行图像数据的处理,同时综合了亚象素相关算法。通过测量获得了模型烧蚀过程的形貌实时变化情况。标定结果表明标定精度达到了0.02 mm;试验结果表明,测量方法可以为分析平板模型随烧蚀时间变化而变化的特性提供有效的试验数据。     

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年，基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用，然而对识别感知目标的体积测量，目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法，实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿，相较于原始LeGO-LOAM算法，无人车在高速情况下的构图精度得到提升；通过将激光雷达与视觉进行深度融合，实现了目标的自动识别与全局定位；通过基于平面拟合的地面分割与欧式聚类，实现了目标点云轮廓的实时获取；通过设计一种基于切片法的不规则物体体积测量方法，实现了无人车在运动情况下对目标体积的自动估计。最终，分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明，所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%，具有较好的工程应用价值。     

文本信息辅助图像差异描述生成

图像描述生成任务要求机器自动生成自然语言文本来描述图像所呈现的语义内容，从而将视觉信息转化为文本描述，便于对图像进行管理、检索、分类等工作。图像差异描述生成是图像描述生成任务的延伸，其难点在于如何确定2张图像之间的视觉语义差别，并将视觉差异信息转换成对应的文本描述。基于此，提出了一种引入文本信息辅助训练的模型框架TA-IDC。采取多任务学习的方法，在传统的编码器-解码器结构上增加文本编码器，在训练阶段通过文本辅助解码和混合解码2种方法引入文本信息，建模视觉和文本2个模态间的语义关联，以获得高质量的图像差别描述。实验证明，TA-IDC模型在3个图像差异描述数据集上的主要指标分别超越已有模型最佳结果12%、2%和3%。      

多无人机协同导航技术研究现状及进展

UAV是无人驾驶飞机(Unmanned Aerial Vehicle)的简称,无人机相较于有人驾驶飞机具有用途广泛、成本低和生存能力强等特点,在军事民用领域都有着广阔的前景,受到了国内外研究者的关注。协同导航技术极大地扩展了无人机的应用范围,提高了多无人机定位的精度以及无人机编队的稳定性、安全性和可靠性。现阶段协同导航技术在编队导航、目标监测与跟踪等诸多方面都得到了研究与应用。从四个层次对协同导航的研究现状和进展进行探讨:首先是对多无人机协同导航的概念、基本原理、国内外发展现状和必要性进行阐述;其次对协同导航中相对导航方式进行了分类分析,并分别介绍了无线电导航与视觉导航的原理、优缺点和应用场景;然后从导航目的、协同导航优化算法、滤波方法、协同导航信息融合容错策略几个方面对协同导航进行分析归纳;最后,讨论了基于多无人机协同导航未来的发展趋势。     

RGB-D SLAM综述

RGB-D SLAM是指使用RGB-D相机作为视觉传感器,进行同时定位与地图构建(SLAM)的技术。RGB-D相机是近几年推出的能够同时采集环境RGB图像和深度图像的视觉传感器。首先对主流RGB-D相机,RGB-D SLAM算法框架流程做了介绍,然后对RGB-D SLAM算法的国内外主要标志性成果,以及RGB-D SLAM的研究现状进行介绍,并对RGB-D SLAM方法前端视觉里程计中特征检测与匹配、后端位姿图优化、回环检测等关键技术进行介绍总结。最后,对RGB-D SLAM算法的优缺点进行了分析,并对RGB-D SLAM算法的研究热点及发展趋势进行了讨论。     

视觉导航技术的发展

近20年来视觉导航技术发展迅速,在原理方法与技术实现上取得了重要突破,规模化应用已经成为可能。以视觉导航中光流、视觉里程计、视觉同步定位与地图构建等主流研究方向为对象,对其发展概况、基本原理、技术优势与难点等进行了简要介绍与分析,并从近期应用推广及长远发展角度对视觉及视觉组合导航技术进行了展望。