CN111504312A - 一种基于视觉惯性偏振光融合的无人机位姿估计方法 - Google Patents

一种基于视觉惯性偏振光融合的无人机位姿估计方法 Download PDF

Info

Publication number
CN111504312A
CN111504312A CN202010623718.1A CN202010623718A CN111504312A CN 111504312 A CN111504312 A CN 111504312A CN 202010623718 A CN202010623718 A CN 202010623718A CN 111504312 A CN111504312 A CN 111504312A
Authority
CN
China
Prior art keywords
visual
aerial vehicle
unmanned aerial
image
polarized light
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.)
Granted
Application number
CN202010623718.1A
Other languages
English (en)
Other versions
CN111504312B (zh
Inventor
何晓峰
韩国良
胡小平
张礼廉
范晨
毛军
潘献飞
穆华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010623718.1A priority Critical patent/CN111504312B/zh
Publication of CN111504312A publication Critical patent/CN111504312A/zh
Application granted granted Critical
Publication of CN111504312B publication Critical patent/CN111504312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

本发明公开一种基于视觉惯性偏振光融合的无人机位姿估计方法，采用视觉测量与惯性测量的组合，视觉测量与惯性测量融合后可以很好的解决纯视觉测量输出频率低、鲁棒性差且尺度信息不可被观测的问题；同时，视觉测量多幅图像之间的约束也可以有效抑制惯性测量中积分的漂移并校正惯性测量的零偏；在视觉测量与惯性测量的基础上，本发明还加入了偏振光罗盘的航向约束，偏振光罗盘通过模仿沙漠蚂蚁感知偏振光的结构和功能，获取自身航向信息，具有误差不随时间积累、稳定性高的优点，可以为无人机的导航传感器提供稳定的航向约束。与现有的视觉惯性组合相比，本发明提供的视觉惯性偏振光融合的无人机位姿估计方法可大大提高无人机的位姿估计精度。

Description

一种基于视觉惯性偏振光融合的无人机位姿估计方法
技术领域
本发明涉及运动估计技术领域，尤其是一种基于视觉惯性偏振光融合的无人机位姿估计方法。
背景技术
在无人机位姿估计中，单目视觉***通过跟踪多幅图像之间共同特征，利用多视图几何关系解算图像之间的位置和姿态关系，单目视觉***在低动态、场景特征丰富的情况下具有较高的精度；惯性测量单元（IMU）具有很好的自主性，受环境的影响小，在高动态条件下依然有稳定的表现，但误差会随时间增长而快速发散。IMU与视觉之间具有很强的互补性，视觉与IMU融合后可以很好的解决纯视觉***输出频率低、鲁棒性差且尺度信息不可被观测的问题。同时，视觉传感器多幅图像之间的约束也可以有效抑制IMU积分的漂移并校正IMU的零偏。然而，在无人机位姿估计中视觉惯性组合依然存在航向误差随时间积累的问题。
发明内容
本发明提供一种基于视觉惯性偏振光融合的无人机位姿估计方法，用于克服现有技术中无人机位姿估计时航向误差随时间积累等缺陷。
为实现上述目的，本发明提出一种基于视觉惯性偏振光融合的无人机位姿估计方法，包括：
获取采集频率，按所述采集频率采集无人机的若干视觉图像，选择所述视觉图像中的关键帧；所述视觉图像通过视觉传感器进行采集；
利用惯性测量单元获取所述视觉图像对应的无人机的加速度和角速率，根据所述加速度和所述角速率选择预积分项，对所述预积分项进行预积分和离散化，获得预积分项的估计值；
利用偏振光罗盘采集无人机的偏振图像，在所述偏振图像的偏振角模式和偏振度模式下，获得无人机的航向信息；
根据所述关键帧、所述预积分项的估计值和所述航向信息，优化无人机***状态矢量，获得无人机的位置、速度和姿态，实现无人机位姿估计。
为实现上述目的，本发明还提出一种基于视觉惯性偏振光融合的无人机位姿估计***，包括：
视觉测量模块，用于获取采集频率，按所述采集频率采集无人机的若干视觉图像，选择所述视觉图像中的关键帧；所述视觉图像通过视觉传感器进行采集；
惯性测量模块，用于利用惯性测量单元获取所述视觉图像对应的无人机的加速度和角速率，根据所述加速度和所述角速率选择预积分项，对所述预积分项进行预积分和离散化，获得预积分项的估计值；
偏振测量模块，用于利用偏振光罗盘采集无人机的偏振图像，在所述偏振图像的偏振角模式和偏振度模式下，获得无人机的航向信息；
无人机位姿估计模块，用于根据所述关键帧、所述预积分项的估计值和所述航向信息，优化无人机***状态矢量，获得无人机的位置、速度和姿态，实现无人机位姿估计。
为实现上述目的，本发明还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
与现有技术相比，本发明的有益效果有：
本发明提供的基于视觉惯性偏振光融合的无人机位姿估计方法，采用视觉测量与惯性测量的组合，视觉测量与惯性测量融合后可以很好的解决纯视觉测量输出频率低、鲁棒性差且尺度信息不可被观测的问题；同时，视觉测量多幅图像之间的约束也可以有效抑制惯性测量中积分的漂移并校正惯性测量的零偏；在视觉测量与惯性测量的基础上，本发明还加入了偏振光罗盘的航向约束，偏振光罗盘通过模仿沙漠蚂蚁感知偏振光的结构和功能，获取自身航向信息，具有误差不随时间积累、稳定性高的优点，可以为无人机的导航传感器提供稳定的航向约束。与现有的视觉惯性组合相比，本发明提供的视觉惯性偏振光融合的无人机位姿估计方法可大大提高无人机的位姿估计精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提供的基于视觉惯性偏振光融合的无人机位姿估计方法流程图；
图2为本发明中偏振光罗盘上阵列式偏振片的结构示意图；
图3为本发明中一阶瑞利散射模型原理图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提出一种基于视觉惯性偏振光融合的无人机位姿估计方法，如图1所示，包括：
101：获取采集频率，按所述采集频率采集无人机的若干视觉图像，选择所述视觉图像中的关键帧；所述视觉图像通过视觉传感器进行采集；
采集频率，即每秒采集的图像帧数量，用赫兹（Hz）来表示。
关键帧，即为平均视差大于设定的视差阈值或者特征数目小于设定的特征数目阈值的帧。
102：利用惯性测量单元获取所述视觉图像对应的无人机的加速度和角速率，根据所述加速度和所述角速率选择预积分项，对所述预积分项进行预积分和离散化，获得预积分项的估计值；
惯性测量单元（IMU），是测量物体三轴姿态角(或角速率)以及加速度的装置。一般的，一个IMU包含三个单轴的加速度计和三个单轴的陀螺，加速度计检测物体在载体坐标***独立三轴的加速度信号，而陀螺检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。
103：利用偏振光罗盘采集无人机的偏振图像，在所述偏振图像的偏振角模式和偏振度模式下，获得无人机的航向信息；
偏振光罗盘通过模仿沙漠蚂蚁感知偏振光的结构和功能，获取自身航向信息，具有误差不随时间积累、稳定性高的优点，可以为无人机的导航传感器提供稳定的航向约束。
104：根据所述关键帧、所述预积分项的估计值和所述航向信息，优化无人机***状态矢量，获得无人机的位置、速度和姿态，实现无人机位姿估计。
在其中一个实施例中，对于步骤101，视觉传感器可以为相机等。
步骤101中选择所述视觉图像中的关键帧，包括：
001：通过图像特征提取方式提取所述视觉图像的视觉特征；
图像特征提取方式采用现有的方式，如SITF特征、HARRIS角点等。
002：利用KLT稀疏光流法跟踪所述视觉特征，并利用两视图本质矩阵模型去除所述视觉特征中的离群特征，以筛选有效的视觉特征，提高计算效率和精度；
KLT稀疏光流法可参考文献An iterative image registration technique with anapplication to stereo vision。
两视图本质矩阵模型：
基础矩阵F为3*3的矩阵，表达了空间中某个点在两幅图像中像点的对应关系，假设
Figure 452704DEST_PATH_IMAGE001
和
Figure 305122DEST_PATH_IMAGE002
为齐次化的图像坐标，则有
Figure 403660DEST_PATH_IMAGE003
（T为转置符号）。
003：根据对所述视觉特征的跟踪，选择所述视觉图像中的关键帧。
在另一个实施例中，对于步骤003，根据对所述视觉特征的跟踪，选择所述视觉图像中的关键帧，包括：
根据对所述视觉特征的跟踪，计算当前帧视觉图像与前一关键帧视觉图像的视觉特征的平均视差，若所述平均视差大于设定的视差阈值，则将当前帧视觉图像作为新的关键帧；否则关键帧不变。
在下一个实施例中，对于步骤003，根据对所述视觉特征的跟踪，选择所述视觉图像中的关键帧，包括：
根据对所述视觉特征的跟踪，若在当前帧视觉图像中跟踪到的特征数目小于设定的特征数目阈值，则将当前帧视觉图像作为新的关键帧；否则关键帧不变。
在某个实施例中，对于步骤102，利用惯性测量单元获取所述视觉图像对应的无人机的加速度和角速率，根据所述加速度和所述角速率选择预积分项，对所述预积分项进行预积分和离散化，获得预积分项的估计值，包括：
201：利用惯性测量单元获取所述视觉图像对应的无人机的加速度和角速率；
202：将参考坐标系从世界坐标转换到当前时刻对应的局部坐标系，根据所述加速度和所述角速率选择预积分项，对所述预积分项进行预积分；
203：通过欧拉积分对所述预积分项进行离散化，获得所述预积分项的估计值。
在下一个实施例中，步骤102具体为，
首先，利用IMU获取视觉图像对应的无人机的加速度和角速率，
Figure 16038DEST_PATH_IMAGE004
（4）
式中，
Figure 149210DEST_PATH_IMAGE005
为惯性测量单元中加速度计测得的无人机在t时刻的加速度；
Figure 923262DEST_PATH_IMAGE006
为惯性测量单元中陀螺测得的无人机在t时刻的角速率；
Figure 40254DEST_PATH_IMAGE007
为无人机在t时刻的实际加速度；
Figure 659585DEST_PATH_IMAGE008
为无人机在t时刻的实际角速率；
Figure 162111DEST_PATH_IMAGE009
为加速度计零偏；
Figure 107064DEST_PATH_IMAGE010
为陀螺零偏；
Figure 180193DEST_PATH_IMAGE011
为世界坐标系到t时刻体坐标系的转换；
Figure 134374DEST_PATH_IMAGE012
为世界坐标系；
Figure 495999DEST_PATH_IMAGE013
为世界坐标系下的重力；陀螺仪的测量噪声
Figure 611853DEST_PATH_IMAGE014
和加速度计的测量噪声
Figure 437858DEST_PATH_IMAGE015
服从高斯分布，
Figure 930151DEST_PATH_IMAGE016
；
在世界坐标系下，给定两个对应于视觉图像帧
Figure 876110DEST_PATH_IMAGE017
和
Figure 428445DEST_PATH_IMAGE018
的瞬时时刻
Figure 476167DEST_PATH_IMAGE019
和
Figure 240991DEST_PATH_IMAGE020
，
Figure 57769DEST_PATH_IMAGE021
时刻无人机的位置
Figure 764694DEST_PATH_IMAGE022
、速度
Figure 34132DEST_PATH_IMAGE023
和姿态四元数
Figure 602648DEST_PATH_IMAGE024
通过
Figure 8352DEST_PATH_IMAGE025
时刻无人机的位置
Figure 902490DEST_PATH_IMAGE026
、速度
Figure 908492DEST_PATH_IMAGE027
、姿态四元数
Figure 280699DEST_PATH_IMAGE028
以及所述加速度
Figure 806489DEST_PATH_IMAGE029
和所述角速率
Figure 340370DEST_PATH_IMAGE030
计算获得，
Figure 99248DEST_PATH_IMAGE031
（5）
式中，
Figure 9566DEST_PATH_IMAGE032
为
Figure 667161DEST_PATH_IMAGE033
的时间间隔；
Figure 637522DEST_PATH_IMAGE034
为t时刻体坐标系到世界坐标系的旋转变换；
Figure 368849DEST_PATH_IMAGE035
为惯性测量单元中加速度计测得的无人机在t时刻的加速度；
Figure 332125DEST_PATH_IMAGE036
为惯性测量单元中陀螺测得的无人机在t时刻的角速率；
Figure 566929DEST_PATH_IMAGE037
为加速度计零偏；
Figure 973770DEST_PATH_IMAGE038
为陀螺零偏；
Figure 192393DEST_PATH_IMAGE039
为世界坐标系下的重力；陀螺仪的测量噪声
Figure 975673DEST_PATH_IMAGE040
和加速度计的测量噪声
Figure 579829DEST_PATH_IMAGE041
服从高斯分布，
Figure 157572DEST_PATH_IMAGE042
；
Figure 597912DEST_PATH_IMAGE043
，
Figure 919303DEST_PATH_IMAGE044
、
Figure 394278DEST_PATH_IMAGE045
和
Figure 877343DEST_PATH_IMAGE046
分别为IMU绕x、y和z轴的旋转角速率，本实施例中
Figure 54246DEST_PATH_IMAGE047
。
将参考坐标系从世界坐标转换到
Figure 913749DEST_PATH_IMAGE048
时刻对应的局部坐标系，在所述局部坐标系下对预积分项分别进行预积分，
Figure 243231DEST_PATH_IMAGE049
（6）
其中，
Figure 897197DEST_PATH_IMAGE050
（7）
式中，
Figure 561396DEST_PATH_IMAGE051
为世界坐标系到图像帧
Figure 224590DEST_PATH_IMAGE052
对应的体坐标系的旋转变换；
Figure 396859DEST_PATH_IMAGE053
为
Figure 487306DEST_PATH_IMAGE054
时刻无人机的位置；
Figure 389534DEST_PATH_IMAGE055
为
Figure 856419DEST_PATH_IMAGE056
时刻无人机的位置；
Figure 144180DEST_PATH_IMAGE057
为
Figure 671108DEST_PATH_IMAGE058
时刻无人机的速度；
Figure 60632DEST_PATH_IMAGE059
为
Figure 65628DEST_PATH_IMAGE060
的时间间隔；
Figure 958629DEST_PATH_IMAGE061
为世界坐标系下的重力；
Figure 656458DEST_PATH_IMAGE062
为
Figure 516966DEST_PATH_IMAGE063
时刻无人机的速度；
Figure 325654DEST_PATH_IMAGE064
为
Figure 73161DEST_PATH_IMAGE065
时刻无人机的姿态四元数；
Figure 676312DEST_PATH_IMAGE066
为
Figure 40428DEST_PATH_IMAGE067
时刻无人机的姿态四元数；
Figure 370915DEST_PATH_IMAGE068
为t时刻体坐标系到图像帧
Figure 238508DEST_PATH_IMAGE069
对应的体坐标系的转换；
Figure 278139DEST_PATH_IMAGE070
为惯性测量单元中加速度计测得的无人机在t时刻的加速度；
Figure 598393DEST_PATH_IMAGE071
为惯性测量单元中陀螺测得的无人机在t时刻的角速率；
Figure 760602DEST_PATH_IMAGE072
为加速度计零偏；
Figure 997548DEST_PATH_IMAGE073
为陀螺零偏；陀螺仪的测量噪声
Figure 942502DEST_PATH_IMAGE074
和加速度计的测量噪声
Figure 15631DEST_PATH_IMAGE075
服从高斯分布，
Figure 704232DEST_PATH_IMAGE076
；
Figure 811997DEST_PATH_IMAGE077
，
Figure 927852DEST_PATH_IMAGE078
、
Figure 737545DEST_PATH_IMAGE079
和
Figure 229837DEST_PATH_IMAGE080
分别为IMU绕x、y和z轴的旋转角速率，本实施例中
Figure 926529DEST_PATH_IMAGE081
；
Figure 213285DEST_PATH_IMAGE082
为t时刻体坐标系到图像帧
Figure 995427DEST_PATH_IMAGE083
对应的体坐标系的转换的四元数表示；
Figure 275099DEST_PATH_IMAGE084
、
Figure 91876DEST_PATH_IMAGE085
、
Figure 549533DEST_PATH_IMAGE086
均为预积分项；初始状态时，
Figure 818972DEST_PATH_IMAGE087
，
Figure 653067DEST_PATH_IMAGE088
为0，
Figure 573618DEST_PATH_IMAGE089
为单位四元数。
当选择
Figure 202177DEST_PATH_IMAGE090
为参考系后，预积分项（公式7）可以仅依靠IMU测量获得。
Figure 224490DEST_PATH_IMAGE091
、
Figure 319399DEST_PATH_IMAGE092
、
Figure 845190DEST_PATH_IMAGE093
仅与
Figure 893917DEST_PATH_IMAGE094
和
Figure 669106DEST_PATH_IMAGE095
间的IMU零偏有关。
在离散化过程中，采用欧拉积分对所述预积分的项离散化，获得预积分项的估计值，
Figure 579424DEST_PATH_IMAGE096
（1）
式中，i为
Figure 225300DEST_PATH_IMAGE097
之间的某一离散时刻；
Figure 195662DEST_PATH_IMAGE098
为i离散时刻惯性测量单元的测量与i+1离散时刻惯性测量单元的测量的时间间隔；
Figure 176256DEST_PATH_IMAGE099
、
Figure 890265DEST_PATH_IMAGE100
、
Figure 125069DEST_PATH_IMAGE101
为i+1离散时刻预积分项的估计值；
Figure 531910DEST_PATH_IMAGE102
、
Figure 484954DEST_PATH_IMAGE103
、
Figure 251922DEST_PATH_IMAGE104
为i离散时刻预积分项的估计值；
Figure 606811DEST_PATH_IMAGE105
为四元数到方向余弦阵的变换；
Figure 918975DEST_PATH_IMAGE106
为惯性测量单元中陀螺测得的无人机在i离散时刻的加速度；
Figure 359314DEST_PATH_IMAGE107
为加速度计零偏；
Figure 398814DEST_PATH_IMAGE108
为惯性测量单元中陀螺测得的无人机在i离散时刻的角速率；
Figure 873789DEST_PATH_IMAGE109
为陀螺零偏。
在下一个实施例中，对于步骤103，利用偏振光罗盘采集无人机的偏振图像，在所述偏振图像的偏振角模式和偏振度模式下，获得无人机的航向信息，包括：
301：利用偏振光罗盘采集无人机的偏振图像，根据所述偏振图像计算每个像素的偏振度和偏振角；
302：根据所述偏振度和所述偏振角，获得太阳方向矢量的最优估计；
303：根据天文年历和所述太阳方向矢量的最优估计，获得无人机的航向信息。
在某个实施例中，步骤103具体为：
偏振光罗盘为图像式偏振光传感器，主要由镜头、像素化偏振芯片和后端电路组成。像素化偏振芯片在CCD的每一个像元上刻蚀金属光栅，实现光栅与感光芯片的一体化集成。如图2所示，像素化偏振芯片包含若干个偏振测量单元，每个单元的光栅按照0º、45º、90º、135º的方向排列，采集天空偏振图像后，微阵列式偏振光罗盘每个偏振测量单元的偏振度
Figure 622434DEST_PATH_IMAGE110
和偏振角
Figure 550069DEST_PATH_IMAGE111
的计算方法为：
Figure 393260DEST_PATH_IMAGE112
（8）
其中，
Figure 734461DEST_PATH_IMAGE113
（9）
式中，
Figure 654006DEST_PATH_IMAGE114
、
Figure 68938DEST_PATH_IMAGE115
、
Figure 466552DEST_PATH_IMAGE116
为Stokes向量中的前三项，分别描述入射光的光强、入射光在0°偏振方向上的分量和45°偏振方向偏振分量；
Figure 165387DEST_PATH_IMAGE117
为与某个方向的偏振片对应的CCD测量得到的入射光光强，x为0º、45º、90º或135º。
如图3所示，点O表示视觉传感器（相机）坐标系的原点；点P为观测点，表示入射光与天球的交点，每一束入射光对应的观测点P与观测图像中一个偏振测量单元的中心像素
Figure 990255DEST_PATH_IMAGE118
对应，因此在已知相机的焦距
Figure 892483DEST_PATH_IMAGE119
的前提下，
Figure 93788DEST_PATH_IMAGE120
（10）
式中，(xc,yc)表示相机的光轴在观测图像中的坐标；
Figure 397862DEST_PATH_IMAGE121
与
Figure 642898DEST_PATH_IMAGE122
为中间变量，无特殊含义。
图3中，
Figure 298002DEST_PATH_IMAGE123
，
Figure 37419DEST_PATH_IMAGE124
；
根据一阶瑞利散射模型，入射光
Figure 930419DEST_PATH_IMAGE125
的E矢量方向
Figure 628248DEST_PATH_IMAGE126
垂直于散射面
Figure 488757DEST_PATH_IMAGE127
，即：
Figure 766285DEST_PATH_IMAGE128
（11）
式中，
Figure 779372DEST_PATH_IMAGE129
为E矢量方向
Figure 382523DEST_PATH_IMAGE130
；
Figure 464748DEST_PATH_IMAGE131
为太阳方向矢量
Figure 811547DEST_PATH_IMAGE132
；T为转置符号；
太阳方向矢量
Figure 933001DEST_PATH_IMAGE133
可以通过两个不相关的E矢量估计得到，定义
Figure 441473DEST_PATH_IMAGE134
，其中
Figure 27307DEST_PATH_IMAGE135
为第
Figure 161485DEST_PATH_IMAGE136
个偏振测量单元的E矢量方向，可以得到：
Figure 149163DEST_PATH_IMAGE137
（12）
则太阳方向矢量
Figure 359696DEST_PATH_IMAGE138
的最优估计可通过求解如下的优化问题得到：
Figure 167246DEST_PATH_IMAGE139
（13）
太阳方向矢量
Figure 855848DEST_PATH_IMAGE140
的最优估计是与
Figure 212880DEST_PATH_IMAGE141
最小特征值相对应的特征向量。
从而，获得最优太阳子午线方向
Figure 63155DEST_PATH_IMAGE142
：
Figure 623581DEST_PATH_IMAGE143
（14）
式中，
Figure 850294DEST_PATH_IMAGE144
和
Figure 796253DEST_PATH_IMAGE145
分别为
Figure 817430DEST_PATH_IMAGE146
中第一个元素和第二个元素，
Figure 865151DEST_PATH_IMAGE146
是公式（13）求解得到的最优太阳方向矢量。
偏航角的计算过程为：
Figure 895555DEST_PATH_IMAGE147
（15）
式中，
Figure 446753DEST_PATH_IMAGE148
为载体在导航坐标系中的航向角；
Figure 419258DEST_PATH_IMAGE149
为太阳方位角，可根据天文年历计算得到；
Figure 688696DEST_PATH_IMAGE150
为最优太阳子午线方向。
在另一个实施例中，对于步骤104，根据所述关键帧、所述预积分项的估计值和所述航向信息，优化无人机***状态矢量，获得无人机的位置、速度和姿态，实现无人机位姿估计，包括：
401：定义无人机***的全状态矢量为
Figure 522791DEST_PATH_IMAGE151
（2）
式中，
Figure 205794DEST_PATH_IMAGE152
为无人机***的全状态矢量；
Figure 99931DEST_PATH_IMAGE153
为第k张视觉图像对应的惯性测量单元测量到的状态，包括在世界坐标系下惯性测量单元的位置、速度和姿态，和体坐标系下的加速度计零偏和陀螺零偏；
Figure 840354DEST_PATH_IMAGE154
为总的关键帧数目；
Figure 212561DEST_PATH_IMAGE155
为滑动窗口中总的视觉特征数；
Figure 3931DEST_PATH_IMAGE156
为第
Figure 68970DEST_PATH_IMAGE157
个视觉特征的逆深度信息，
Figure 47421DEST_PATH_IMAGE158
；
Figure 472586DEST_PATH_IMAGE159
为视觉传感器与惯性测量单元的关系矢量；
Figure 852883DEST_PATH_IMAGE160
为视觉传感器与惯性测量单元之间的平移关系；
Figure 88823DEST_PATH_IMAGE161
为视觉传感器与惯性测量单元之间的旋转关系的四元数表示；
402：通过对所述关键帧、所述预积分项的估计值和所述航向信息进行残差求和，优化无人机***状态矢量，获得无人机的位置、速度和姿态，实现无人机位姿估计，
Figure 554571DEST_PATH_IMAGE162
（3）
式中，
Figure 268580DEST_PATH_IMAGE163
为预积分项的残差，
Figure 18230DEST_PATH_IMAGE164
为惯性测量单元测量的集合，
Figure 159493DEST_PATH_IMAGE165
为预积分项的测量，
Figure 112536DEST_PATH_IMAGE166
和
Figure 364657DEST_PATH_IMAGE167
为连续的两帧视觉图像；
Figure 968814DEST_PATH_IMAGE168
为视觉特征的残差，
Figure 546557DEST_PATH_IMAGE169
为视觉特征的集合，
Figure 986897DEST_PATH_IMAGE170
为视觉测量，
Figure 42709DEST_PATH_IMAGE171
为第
Figure 766951DEST_PATH_IMAGE172
个特征在第
Figure 503877DEST_PATH_IMAGE173
幅图像中的对应点，
Figure 165933DEST_PATH_IMAGE174
为第
Figure 25436DEST_PATH_IMAGE174
个特征；
Figure 354917DEST_PATH_IMAGE175
为偏振光罗盘的测量残差，
Figure 805621DEST_PATH_IMAGE176
为偏振光罗盘测量的集合，
Figure 486132DEST_PATH_IMAGE177
为偏振光罗盘测量，
Figure 133014DEST_PATH_IMAGE178
为第
Figure 317002DEST_PATH_IMAGE179
帧图像对应的航向角，
Figure 141870DEST_PATH_IMAGE180
为第
Figure 44098DEST_PATH_IMAGE181
帧图像对应的航向角；
Figure 229092DEST_PATH_IMAGE182
为无人机***的全状态矢量。
本实施例中，考虑两个连续图像帧
Figure 798744DEST_PATH_IMAGE183
和
Figure 794513DEST_PATH_IMAGE184
之间的IMU测量，公式（3）中预积分项的残差
Figure 918458DEST_PATH_IMAGE185
为：
Figure 923455DEST_PATH_IMAGE186
（16）
式中，
Figure 331302DEST_PATH_IMAGE187
为世界坐标系到图像帧
Figure 763552DEST_PATH_IMAGE188
对应的体坐标系的旋转变换；
Figure 374793DEST_PATH_IMAGE189
为
Figure 183480DEST_PATH_IMAGE190
时刻无人机的位置；
Figure 20785DEST_PATH_IMAGE191
为
Figure 607624DEST_PATH_IMAGE192
时刻无人机的位置；
Figure 971741DEST_PATH_IMAGE193
为
Figure 318539DEST_PATH_IMAGE194
时刻无人机的速度；
Figure 186132DEST_PATH_IMAGE195
为
Figure 960184DEST_PATH_IMAGE196
的时间间隔；
Figure 795285DEST_PATH_IMAGE197
为世界坐标系下的重力；
Figure 680196DEST_PATH_IMAGE198
为
Figure 667875DEST_PATH_IMAGE199
时刻无人机的速度；
Figure 612828DEST_PATH_IMAGE200
为世界坐标系到图像帧
Figure 685957DEST_PATH_IMAGE201
对应的体坐标系的转换的四元数表示；
Figure 358247DEST_PATH_IMAGE202
为图像帧
Figure 200432DEST_PATH_IMAGE203
对应的体坐标系到世界坐标系的转换的四元数表示；
Figure 316287DEST_PATH_IMAGE204
为预积分项；
Figure 611133DEST_PATH_IMAGE205
、
Figure 103426DEST_PATH_IMAGE206
分别为
Figure 49385DEST_PATH_IMAGE207
、
Figure 336141DEST_PATH_IMAGE208
按公式（1）迭代后的结果；
Figure 118283DEST_PATH_IMAGE209
、
Figure 414266DEST_PATH_IMAGE210
分别为图像
Figure 214732DEST_PATH_IMAGE211
和
Figure 660671DEST_PATH_IMAGE212
所对应的加速度计零偏；
Figure 195688DEST_PATH_IMAGE213
、
Figure 764204DEST_PATH_IMAGE214
分别为图像
Figure 435488DEST_PATH_IMAGE215
和
Figure 329626DEST_PATH_IMAGE216
所对应的陀螺零偏；
Figure 335628DEST_PATH_IMAGE217
为四元数的向量部分；
考虑第
Figure 973414DEST_PATH_IMAGE218
个视觉特征首先在第i张视觉图像中被观测到，第
Figure 499204DEST_PATH_IMAGE219
张视觉图像中观察到所示
Figure 298664DEST_PATH_IMAGE220
视觉特征的残差
Figure 542695DEST_PATH_IMAGE221
为：
Figure 702281DEST_PATH_IMAGE222
（17）
式中，
Figure 613736DEST_PATH_IMAGE223
、
Figure 584097DEST_PATH_IMAGE224
分别为图像
Figure 315424DEST_PATH_IMAGE225
中向量
Figure 29433DEST_PATH_IMAGE226
切平面上的任意两个正交基；
Figure 44662DEST_PATH_IMAGE227
为图像
Figure 185925DEST_PATH_IMAGE228
中实际测量到的视觉特征
Figure 404548DEST_PATH_IMAGE229
对应的单位向量；
Figure 656669DEST_PATH_IMAGE230
为根据图像i和状态变量预测得到的视觉特征
Figure 288856DEST_PATH_IMAGE231
对应的单位向量；
Figure 866599DEST_PATH_IMAGE232
为反投影函数，可将图像中的像素点根据相机内参转换为单位向量；
Figure 821785DEST_PATH_IMAGE233
为体坐标系到相机坐标系的旋转变换；
Figure 877597DEST_PATH_IMAGE234
为世界坐标系到图像帧
Figure 86993DEST_PATH_IMAGE235
对应的体坐标系的旋转变换；
Figure 835637DEST_PATH_IMAGE236
为图像帧
Figure 28852DEST_PATH_IMAGE237
对应的体坐标系到世界坐标系的旋转变换；
Figure 153934DEST_PATH_IMAGE238
为相机坐标系到体坐标系的旋转变换；
Figure 467104DEST_PATH_IMAGE239
为逆深度信息；
Figure 121070DEST_PATH_IMAGE240
为相机坐标系到体坐标系的平移变换；
Figure 536002DEST_PATH_IMAGE241
为图像帧
Figure 917305DEST_PATH_IMAGE242
对应的体坐标系到世界坐标系的平移变换；
Figure 101293DEST_PATH_IMAGE243
为图像帧
Figure 926160DEST_PATH_IMAGE244
对应的体坐标系到世界坐标系的平移变换；
Figure 93967DEST_PATH_IMAGE245
为图像i中观测到视觉特征
Figure 29694DEST_PATH_IMAGE246
的位置；
Figure 317455DEST_PATH_IMAGE247
为图像
Figure 844383DEST_PATH_IMAGE248
中观测到视觉特征
Figure 968328DEST_PATH_IMAGE249
的位置。
公式（3）中偏振光罗盘的测量残差
Figure 707745DEST_PATH_IMAGE250
为：
Figure 120185DEST_PATH_IMAGE251
（18）
式中，
Figure 536123DEST_PATH_IMAGE252
为第
Figure 147364DEST_PATH_IMAGE253
帧图像对应的航向角；
Figure 956051DEST_PATH_IMAGE254
为第
Figure 969138DEST_PATH_IMAGE255
帧图像对应的航向角；
Figure 555977DEST_PATH_IMAGE256
为从四元数到欧拉角的转换；
Figure 185673DEST_PATH_IMAGE257
为欧拉角中的航向角分量；
Figure 266892DEST_PATH_IMAGE258
为i离散时刻无人机姿态在世界坐标系下的四元数表示；
Figure 400064DEST_PATH_IMAGE259
为i+1离散时刻无人机姿态在世界坐标系下的四元数表示。本实施例中，
Figure 174116DEST_PATH_IMAGE260
=
Figure 759950DEST_PATH_IMAGE261
；
Figure 894128DEST_PATH_IMAGE262
。
本发明还提出一种基于视觉惯性偏振光融合的无人机位姿估计***，包括：
视觉测量模块，用于获取采集频率，按所述采集频率采集无人机的若干视觉图像，选择所述视觉图像中的关键帧；所述视觉图像通过视觉传感器进行采集；
惯性测量模块，用于利用惯性测量单元获取所述视觉图像对应的无人机的加速度和角速率，根据所述加速度和所述角速率选择预积分项，对所述预积分项进行预积分和离散化，获得预积分项的估计值；
偏振测量模块，用于利用偏振光罗盘采集无人机的偏振图像，在所述偏振图像的偏振角模式和偏振度模式下，获得无人机的航向信息；
无人机位姿估计模块，用于根据所述关键帧、所述预积分项的估计值和所述航向信息，优化无人机***状态矢量，获得无人机的位置、速度和姿态，实现无人机位姿估计。
本发明还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (8)

1.一种基于视觉惯性偏振光融合的无人机位姿估计方法，其特征在于，包括：
获取采集频率，按所述采集频率采集无人机的若干视觉图像，选择所述视觉图像中的关键帧；所述视觉图像通过视觉传感器进行采集；
利用惯性测量单元获取所述视觉图像对应的无人机的加速度和角速率，根据所述加速度和所述角速率选择预积分项，对所述预积分项进行预积分和离散化，获得预积分项的估计值；
利用偏振光罗盘采集无人机的偏振图像，在所述偏振图像的偏振角模式和偏振度模式下，获得无人机的航向信息；
根据所述关键帧、所述预积分项的估计值和所述航向信息，优化无人机***状态矢量，获得无人机的位置、速度和姿态，实现无人机位姿估计。
2.如权利要求1所述的基于视觉惯性偏振光融合的无人机位姿估计方法，其特征在于，选择所述视觉图像中的关键帧，包括：
通过图像特征提取方式提取所述视觉图像的视觉特征；
利用KLT稀疏光流法跟踪所述视觉特征，并利用两视图本质矩阵模型去除所述视觉特征中的离群特征；
根据对所述视觉特征的跟踪，选择所述视觉图像中的关键帧。
3.如权利要求2所述的基于视觉惯性偏振光融合的无人机位姿估计方法，其特征在于，根据对所述视觉特征的跟踪，选择所述视觉图像中的关键帧，包括：
根据对所述视觉特征的跟踪，计算当前帧视觉图像与前一关键帧视觉图像的视觉特征的平均视差，若所述平均视差大于设定的视差阈值，则将当前帧视觉图像作为新的关键帧；否则关键帧不变。
4.如权利要求2所述的基于视觉惯性偏振光融合的无人机位姿估计方法，其特征在于，根据对所述视觉特征的跟踪，选择所述视觉图像中的关键帧，包括：
根据对所述视觉特征的跟踪，若在当前帧视觉图像中跟踪到的特征数目小于设定的特征数目阈值，则将当前帧视觉图像作为新的关键帧；否则关键帧不变。
5.如权利要求1所述的基于视觉惯性偏振光融合的无人机位姿估计方法，其特征在于，利用惯性测量单元获取所述视觉图像对应的无人机的加速度和角速率，根据所述加速度和所述角速率选择预积分项，对所述预积分项进行预积分和离散化，获得预积分项的估计值，包括：
利用惯性测量单元获取所述视觉图像对应的无人机的加速度和角速率；
将参考坐标系从世界坐标转换到当前时刻对应的局部坐标系，根据所述加速度和所述角速率选择预积分项，对所述预积分项进行预积分；
通过欧拉积分对所述预积分项进行离散化，获得所述预积分项的估计值。
6.如权利要求5所述的基于视觉惯性偏振光融合的无人机位姿估计方法，其特征在于，通过欧拉积分对所述预积分的项离散化，获得预积分项的估计值，
Figure 934409DEST_PATH_IMAGE001
（1）
式中，i为
Figure 401162DEST_PATH_IMAGE002
之间的某一离散时刻；
Figure 328798DEST_PATH_IMAGE003
为i离散时刻惯性测量单元的测量与i+1离散时刻惯性测量单元的测量的时间间隔；
Figure 312934DEST_PATH_IMAGE004
、
Figure 767049DEST_PATH_IMAGE005
、
Figure 670283DEST_PATH_IMAGE006
为i+1离散时刻预积分项的估计值；
Figure 209849DEST_PATH_IMAGE007
、
Figure 344814DEST_PATH_IMAGE008
、
Figure 778069DEST_PATH_IMAGE009
为i离散时刻预积分项的估计值；
Figure 727571DEST_PATH_IMAGE010
为四元数到方向余弦阵的变换；
Figure 98641DEST_PATH_IMAGE011
为惯性测量单元中陀螺测得的无人机在i离散时刻的加速度；
Figure 424580DEST_PATH_IMAGE012
为加速度计零偏；
Figure 712341DEST_PATH_IMAGE013
为惯性测量单元中陀螺测得的无人机在i离散时刻的角速率；
Figure 98323DEST_PATH_IMAGE014
为陀螺零偏。
7.如权利要求1所述的基于视觉惯性偏振光融合的无人机位姿估计方法，其特征在于，利用偏振光罗盘采集无人机的偏振图像，在所述偏振图像的偏振角模式和偏振度模式下，获得无人机的航向信息，包括：
利用偏振光罗盘采集无人机的偏振图像，根据所述偏振图像计算每个像素的偏振度和偏振角；
根据所述偏振度和所述偏振角，获得太阳方向矢量的最优估计；
根据天文年历和所述太阳方向矢量的最优估计，获得无人机的航向信息。
8.如权利要求1所述的基于视觉惯性偏振光融合的无人机位姿估计方法，其特征在于，根据所述关键帧、所述预积分项的估计值和所述航向信息，优化无人机***状态矢量，获得无人机的位置、速度和姿态，实现无人机位姿估计，包括：
定义无人机***的全状态矢量为
Figure 487848DEST_PATH_IMAGE015
（2）
式中，
Figure 351898DEST_PATH_IMAGE016
为无人机***的全状态矢量；
Figure 494167DEST_PATH_IMAGE017
为第k张视觉图像对应的惯性测量单元测量到的状态，包括在世界坐标系下惯性测量单元的位置、速度和姿态，和体坐标系下的加速度计零偏和陀螺零偏；
Figure 51050DEST_PATH_IMAGE018
为总的关键帧数目；
Figure 662291DEST_PATH_IMAGE019
为滑动窗口中总的视觉特征数；
Figure 330033DEST_PATH_IMAGE020
为第l个视觉特征的逆深度信息，
Figure 326808DEST_PATH_IMAGE021
；
Figure 54592DEST_PATH_IMAGE022
为视觉传感器与惯性测量单元的关系矢量；
Figure 150200DEST_PATH_IMAGE023
为视觉传感器与惯性测量单元之间的平移关系；
Figure 356053DEST_PATH_IMAGE024
为视觉传感器与惯性测量单元之间的旋转关系的四元数表示；
通过对所述关键帧、所述预积分项的估计值和所述航向信息进行残差求和，优化无人机***状态矢量，获得无人机的位置、速度和姿态，实现无人机位姿估计，
Figure 472914DEST_PATH_IMAGE025
（3）
式中，
Figure 371600DEST_PATH_IMAGE026
为预积分项的残差，
Figure 691854DEST_PATH_IMAGE027
为惯性测量单元测量的集合，
Figure 701398DEST_PATH_IMAGE028
为预积分项的测量，
Figure 938344DEST_PATH_IMAGE029
和
Figure 742352DEST_PATH_IMAGE030
为连续的两帧视觉图像；
Figure 815481DEST_PATH_IMAGE031
为视觉特征的残差，
Figure 628717DEST_PATH_IMAGE032
为视觉特征的集合，
Figure 595536DEST_PATH_IMAGE033
为视觉测量，
Figure 695079DEST_PATH_IMAGE034
为第
Figure 380138DEST_PATH_IMAGE034
个特征，
Figure 606851DEST_PATH_IMAGE035
为第
Figure 428177DEST_PATH_IMAGE036
个特征在第
Figure 964200DEST_PATH_IMAGE037
幅图像中的对应点；
Figure 136555DEST_PATH_IMAGE038
为偏振光罗盘的测量残差，
Figure 892591DEST_PATH_IMAGE039
为偏振光罗盘测量的集合，
Figure 568423DEST_PATH_IMAGE040
为偏振光罗盘测量，
Figure 9769DEST_PATH_IMAGE041
为第
Figure 403841DEST_PATH_IMAGE042
帧图像对应的航向角，
Figure 972357DEST_PATH_IMAGE043
为第
Figure 768274DEST_PATH_IMAGE044
帧图像对应的航向角；
Figure 646101DEST_PATH_IMAGE045
为无人机***的全状态矢量。
CN202010623718.1A 2020-07-02 2020-07-02 一种基于视觉惯性偏振光融合的无人机位姿估计方法 Active CN111504312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010623718.1A CN111504312B (zh) 2020-07-02 2020-07-02 一种基于视觉惯性偏振光融合的无人机位姿估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010623718.1A CN111504312B (zh) 2020-07-02 2020-07-02 一种基于视觉惯性偏振光融合的无人机位姿估计方法

Publications (2)

Publication Number Publication Date
CN111504312A true CN111504312A (zh) 2020-08-07
CN111504312B CN111504312B (zh) 2020-09-15

Family

ID=71878827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010623718.1A Active CN111504312B (zh) 2020-07-02 2020-07-02 一种基于视觉惯性偏振光融合的无人机位姿估计方法

Country Status (1)

Country Link
CN (1) CN111504312B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112129288A (zh) * 2020-11-24 2020-12-25 中国人民解放军国防科技大学 一种基于偏振光/地磁航向约束的位姿估计方法及***
CN112284366A (zh) * 2020-10-26 2021-01-29 中北大学 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法
CN112444245A (zh) * 2020-11-17 2021-03-05 大连理工大学 一种基于偏振光、光流矢量、双目视觉传感器的仿昆虫视觉组合导航方法
CN113739795A (zh) * 2021-06-03 2021-12-03 东北电力大学 一种基于偏振光/惯性/视觉组合导航的水下同步定位与建图方法
CN113834484A (zh) * 2021-11-26 2021-12-24 北京航空航天大学 一种基于非瑞利散射模型误差的惯导/偏振组合导航方法
CN114440874A (zh) * 2021-12-31 2022-05-06 深圳市云鼠科技开发有限公司 基于光流和光栅的融合定位方法和装置
CN114459474A (zh) * 2022-02-16 2022-05-10 北方工业大学 一种基于因子图的惯性/偏振/雷达/光流紧组合导航的方法
CN115574816A (zh) * 2022-11-24 2023-01-06 东南大学 仿生视觉多源信息智能感知无人平台
CN116182855A (zh) * 2023-04-28 2023-05-30 北京航空航天大学 一种弱光强环境下仿复眼偏振视觉无人机组合导航方法
CN116309203A (zh) * 2023-05-19 2023-06-23 中国人民解放军国防科技大学 一种偏振视觉自适应增强的无人平台运动估计方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103217699A (zh) * 2013-03-06 2013-07-24 郭雷 一种基于偏振信息的组合导航***递推优化初始对准方法
CN108303081A (zh) * 2017-12-29 2018-07-20 郭晓宇 一种仿生偏振/惯性/大气数据组合导航***
CN109709973A (zh) * 2019-01-02 2019-05-03 中国人民解放军国防科技大学 一种微阵列式光罗盘辅助的无人机自主返航方法
CN110375732A (zh) * 2019-07-22 2019-10-25 中国人民解放军国防科技大学 基于惯性测量单元和点线特征的单目相机位姿测量方法
US20190331762A1 (en) * 2013-10-22 2019-10-31 Polaris Sensor Technologies, Inc. Celestial Positioning System and Method
CN111045454A (zh) * 2019-12-30 2020-04-21 北京航空航天大学 一种基于仿生自主导航的无人机自驾仪
CN111238467A (zh) * 2020-02-07 2020-06-05 西北工业大学 一种仿生偏振光辅助的无人作战飞行器自主导航方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103217699A (zh) * 2013-03-06 2013-07-24 郭雷 一种基于偏振信息的组合导航***递推优化初始对准方法
US20190331762A1 (en) * 2013-10-22 2019-10-31 Polaris Sensor Technologies, Inc. Celestial Positioning System and Method
CN108303081A (zh) * 2017-12-29 2018-07-20 郭晓宇 一种仿生偏振/惯性/大气数据组合导航***
CN109709973A (zh) * 2019-01-02 2019-05-03 中国人民解放军国防科技大学 一种微阵列式光罗盘辅助的无人机自主返航方法
CN110375732A (zh) * 2019-07-22 2019-10-25 中国人民解放军国防科技大学 基于惯性测量单元和点线特征的单目相机位姿测量方法
CN111045454A (zh) * 2019-12-30 2020-04-21 北京航空航天大学 一种基于仿生自主导航的无人机自驾仪
CN111238467A (zh) * 2020-02-07 2020-06-05 西北工业大学 一种仿生偏振光辅助的无人作战飞行器自主导航方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANG MAOSONG,ETC: "Consistent ST-EKF for Long Distance Land Vehicle Navigation Based on SINS/OD Integration", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
WANG YUJIE,ETC: "Polarized Light Compass-Aided Visual-Inertial Navigation Under Foliage Environment", 《IEEE SENSORS JOURNAL》 *
王玉杰，等: "仿生偏振视觉定位定向机理与实验", 《光学精密工程》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112284366A (zh) * 2020-10-26 2021-01-29 中北大学 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法
CN112284366B (zh) * 2020-10-26 2022-04-12 中北大学 一种基于tg-lstm神经网络的偏振光罗盘航向角误差校正方法
CN112444245A (zh) * 2020-11-17 2021-03-05 大连理工大学 一种基于偏振光、光流矢量、双目视觉传感器的仿昆虫视觉组合导航方法
CN112129288B (zh) * 2020-11-24 2021-02-02 中国人民解放军国防科技大学 一种基于偏振光/地磁航向约束的位姿估计方法及***
CN112129288A (zh) * 2020-11-24 2020-12-25 中国人民解放军国防科技大学 一种基于偏振光/地磁航向约束的位姿估计方法及***
CN113739795B (zh) * 2021-06-03 2023-10-20 东北电力大学 一种基于偏振光/惯性/视觉组合导航的水下同步定位与建图方法
CN113739795A (zh) * 2021-06-03 2021-12-03 东北电力大学 一种基于偏振光/惯性/视觉组合导航的水下同步定位与建图方法
CN113834484A (zh) * 2021-11-26 2021-12-24 北京航空航天大学 一种基于非瑞利散射模型误差的惯导/偏振组合导航方法
CN113834484B (zh) * 2021-11-26 2022-03-08 北京航空航天大学 一种基于非瑞利散射模型误差的惯导/偏振组合导航方法
CN114440874A (zh) * 2021-12-31 2022-05-06 深圳市云鼠科技开发有限公司 基于光流和光栅的融合定位方法和装置
CN114459474A (zh) * 2022-02-16 2022-05-10 北方工业大学 一种基于因子图的惯性/偏振/雷达/光流紧组合导航的方法
CN114459474B (zh) * 2022-02-16 2023-11-24 北方工业大学 一种基于因子图的惯性/偏振/雷达/光流紧组合导航的方法
CN115574816A (zh) * 2022-11-24 2023-01-06 东南大学 仿生视觉多源信息智能感知无人平台
CN115574816B (zh) * 2022-11-24 2023-03-14 东南大学 仿生视觉多源信息智能感知无人平台
CN116182855A (zh) * 2023-04-28 2023-05-30 北京航空航天大学 一种弱光强环境下仿复眼偏振视觉无人机组合导航方法
CN116309203A (zh) * 2023-05-19 2023-06-23 中国人民解放军国防科技大学 一种偏振视觉自适应增强的无人平台运动估计方法和装置

Also Published As

Publication number Publication date
CN111504312B (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111504312B (zh) 一种基于视觉惯性偏振光融合的无人机位姿估计方法
CN103033189B (zh) 一种深空探测巡视器惯性/视觉组合导航方法
CN110702107A (zh) 一种单目视觉惯性组合的定位导航方法
CN106052584B (zh) 一种基于视觉及惯性信息融合的轨道空间线形测量方法
CN112649016A (zh) 一种基于点线初始化的视觉惯性里程计方法
CN110726406A (zh) 一种改进的非线性优化单目惯导slam的方法
US20190301871A1 (en) Direct Sparse Visual-Inertial Odometry Using Dynamic Marginalization
CN112129288B (zh) 一种基于偏振光/地磁航向约束的位姿估计方法及***
CN112577493B (zh) 一种基于遥感地图辅助的无人机自主定位方法及***
CN113551665B (zh) 一种用于运动载体的高动态运动状态感知***及感知方法
CN110207693B (zh) 一种鲁棒立体视觉惯性预积分slam方法
CN106289250A (zh) 一种航向信息采集***
CN111932674A (zh) 一种线激光视觉惯性***的优化方法
JP2023021994A (ja) 自動運転車両に対するデータ処理方法及び装置、電子機器、記憶媒体、コンピュータプログラム、ならびに自動運転車両
CN107145167B (zh) 一种基于数字图像处理技术的视频目标跟踪方法
CN111609868A (zh) 一种基于改进光流法的视觉惯性里程计方法
CN115574816B (zh) 仿生视觉多源信息智能感知无人平台
CN113516692A (zh) 一种多传感器融合的slam方法和装置
CN112444245A (zh) 一种基于偏振光、光流矢量、双目视觉传感器的仿昆虫视觉组合导航方法
CN107942090A (zh) 一种基于模糊星图提取光流信息的航天器角速度估计方法
Xian et al. Fusing stereo camera and low-cost inertial measurement unit for autonomous navigation in a tightly-coupled approach
CN112945233B (zh) 一种全局无漂移的自主机器人同时定位与地图构建方法
CN114993306B (zh) 一种尺度自恢复的视觉惯性组合导航方法和装置
CN114440877B (zh) 一种异步多相机视觉惯性里程计定位方法
CN114459474B (zh) 一种基于因子图的惯性/偏振/雷达/光流紧组合导航的方法

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