CN113514049A - 无人机姿态测量方法、装置、无人机及存储介质 - Google Patents
无人机姿态测量方法、装置、无人机及存储介质 Download PDFInfo
- Publication number
- CN113514049A CN113514049A CN202010278930.9A CN202010278930A CN113514049A CN 113514049 A CN113514049 A CN 113514049A CN 202010278930 A CN202010278930 A CN 202010278930A CN 113514049 A CN113514049 A CN 113514049A
- Authority
- CN
- China
- Prior art keywords
- data
- unmanned aerial
- aerial vehicle
- measurement
- attitude
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000000691 measurement method Methods 0.000 title claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 183
- 238000001914 filtration Methods 0.000 claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 90
- 230000004927 fusion Effects 0.000 claims abstract description 53
- 238000012216 screening Methods 0.000 claims abstract description 22
- 230000036541 health Effects 0.000 claims description 97
- 230000001133 acceleration Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 30
- 230000000295 complement effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 15
- 230000000670 limiting effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G01C21/005—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
- G01C23/005—Flight directors
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Navigation (AREA)
Abstract
本申请公开了无人机姿态测量方法、装置、无人机及存储介质，该方法通过获取无人机的多个测量单元的测量数据；对获取的多组测量数据进行滤波处理，得到滤波结果；根据滤波结果筛选出若干组初步姿态数据；对筛选出的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。本申请的有益效果在于：在无需对无人机进行硬件改造的情况下，利用飞控***硬件上的冗余，能够快速、准确测量出无人机的姿态，显著地提升了无人机飞控***在导航方面的稳定性和精确性，尤其是在单个测量单元发生故障的时候，能够及时切换数据源，避免无人机坠机事故；且计算量小，代码实现方法简便，实用性更强。
Description
技术领域
本申请涉及无人机技术领域，具体涉及无人机姿态测量方法、装置、无人机及存储介质。
背景技术
随着科学技术的飞速发展，无人机被广泛应用于各种生活场景中，如采用无人机进行外卖或快递的配送能够节约大量人力，并显著提高配送效率；又如采用无人机进行灾难救援时，能够快速到达人们不能抵达的地方。为了实现在各种应用场景下安全的自主飞行，无人机***需要极高的稳定性及可靠性，无人机***主要分为控制、制导、导航三个部分，现有技术中一般通过对无人机各个部分进行软硬件的冗余，来提升***的可靠性，如大多数飞控硬件都含有多个相互冗余的惯性测量单元(inertial measurement unit，IMU)，因此现有技术方案多聚焦在无人机硬件及***级的冗余架构上，而对导航算法层面的冗余架构探讨非常少。
发明内容
鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的无人机姿态测量方法、装置、无人机及存储介质。
依据本申请的一个方面，提出了一种无人机姿态测量方法，该方法包括：
获取无人机的多个测量单元的测量数据；
对获取的多组测量数据进行滤波处理，得到滤波结果，滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度；
根据滤波结果筛选出若干组初步姿态数据；
对筛选出的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。
可选的，在上述方法中，对获取的多组测量数据进行滤波处理，得到滤波结果包括：
对各组测量数据分别进行互补滤波，得到各组测量数据的角速度漂移量和各组测量数据对应的初步姿态数据；
根据角速度漂移量确定各组测量数据的数据健康度。
可选的，在上述方法中，对获取的多组测量数据进行滤波处理，得到滤波结果包括：
对各组测量数据进行预处理，预处理包括时间戳对齐和/或低通滤波；
将经过预处理的各组测量数据进行比较，根据比较结果确定各组测量数据的数据健康度。
可选的，在上述方法中，测量数据包括角速度和/或加速度，比较包括：
确定每两个角速度的模的差值，根据得到的各差值与预设的角速度阈值的比较结果，确定各角速度中的野值和正常值；
和/或，
确定每两个加速度的模的差值，根据得到的各差值与预设的加速度阈值的比较结果，确定各加速度中的野值和正常值。
可选的，在上述方法中，根据滤波结果筛选出若干组初步姿态数据包括：
根据数据健康度确定初步姿态数据集合，从初步姿态数据集合中筛选出欧式距离最短的两组初步姿态数据。
可选的，在上述方法中，对筛选出的初步姿态数据进行融合包括：
根据初步姿态数据对应的测量数据的数据健康度，确定各筛选出的初步姿态数据的融合权重；
基于融合权重，根据加权最小二乘法对各筛选出的初步姿态数据进行融合。
可选的，在上述方法中，该方法还包括：
根据无人机的姿态数据进行无人机的导航。
依据本申请的另一方面，提供了一种无人机姿态测量装置，该装置包括：
获取单元，用于获取无人机的多个测量单元的测量数据；
数据处理单元，用于对获取的多组测量数据进行滤波处理，得到滤波结果，所述滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度；以及用于根据所述滤波结果筛选出若干组初步姿态数据；
执行单元，用于对筛选出的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。
可选的，在上述装置中，数据处理单元，用于对各组测量数据分别进行互补滤波，得到各组测量数据的角速度漂移量和各组测量数据对应的初步姿态数据；以及用于根据角速度漂移量确定各组测量数据的数据健康度。
可选的，在上述装置中，数据处理单元，用于对各组测量数据进行预处理，所述预处理包括时间戳对齐和/或低通滤波；以及用于将经过预处理的各组测量数据进行比较，根据比较结果确定各组测量数据的数据健康度。
可选的，在上述装置中，测量数据包括角速度和/或加速度，数据处理单元，用于确定每两个角速度的模的差值，根据得到的各差值与预设的角速度阈值的比较结果，确定各角速度中的野值和正常值；和/或，确定每两个加速度的模的差值，根据得到的各差值与预设的加速度阈值的比较结果，确定各加速度中的野值和正常值。
可选的，在上述装置中，数据处理单元，用于根据所述数据健康度确定初步姿态数据集合，从初步姿态数据集合中筛选出欧式距离最短的两组初步姿态数据。
可选的，在上述装置中，执行单元，用于根据初步姿态数据对应的测量数据的数据健康度，确定各筛选出的初初步姿态数据的融合权重；以及用于基于融合权重，根据加权最小二乘法对各筛选出的初步姿态数据进行融合。
可选的，在上述装置中，执行单元，还用于根据无人机的姿态数据进行无人机的导航。
依据本申请的又一方面，提供了一种无人机，其中，该无人机包括：处理器；以及被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行如上任一的方法。
依据本申请的再一方面，提供了一种计算机可读存储介质，其中，计算机可读存储介质存储一个或多个程序，一个或多个程序当被处理器执行时，实现如上任一的方法。
由上述可知，本申请的技术方案，通过获取无人机的多个测量单元的测量数据；对获取的多组测量数据进行滤波处理，得到滤波结果，滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度；根据滤波结果筛选出若干组初步姿态数据；对筛选出的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。本申请的有益效果在于：在无需对无人机进行硬件改造的情况下，利用飞控***硬件上的冗余，能够快速、准确测量出无人机的姿态，显著地提升了无人机飞控***在导航方面的稳定性和精确性，尤其是在单个测量单元发生故障的时候，能够及时切换数据源，避免无人机坠机事故；且计算量小，代码实现方法简便，实用性更强。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本申请一个实施例的无人机姿态测量方法的流程示意图；
图2示出了根据本申请另一个实施例的无人机姿态测量方法的流程示意图；
图3示出了根据本申请一个实施例的无人机姿态测量装置的结构示意图；
图4示出了根据本申请一个实施例的无人机的结构示意图；
图5示出了根据本申请一个实施例的计算机可读存储介质的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
图1示出了根据本申请一个实施例的无人机姿态测量方法的流程示意图，该方法包括：
步骤S110，获取无人机的多个测量单元的测量数据。
无人机在各种场景下被广泛应用，尤其是四旋翼无人机在许多应用领域展现出其独特优势，如快递投掷、外卖配送、安保执法等，甚至一些地形复杂场景，如灾难救援、军事侦察等。这就要求无人机有很高的稳定性和精确性，现有技术往往通过对无人机进行软硬件的大量冗余，来提升无人机的稳定性，这无疑就增加了无人机的制造成本，增加了无人机的重量，进而影响了无人机的飞行性能。本申请针对上述问题，提出了一种轻量级的无人机姿态测量方法，在不对无人机进行硬件改造的前提下，利用了无人机硬件的冗余，保障了无人机飞控***在导航方面的稳定性，在单个数据测量单元发生故障或数据异常时，能够及时切换数据源，确保无人机姿态测量的准确可靠，进一步确保了导航估计的稳定可靠。
首先，获取无人机的多个测量单元的测量数据。无人机的飞控***是无人机完成起飞、空中飞行、执行任务和返场回收等整个飞行过程的核心***，飞控***对于无人机相当于驾驶员对于有人机的作用，是无人机最核心的技术之一。飞控***一般包括传感器、机载计算机和伺服作动设备三大部分，实现的功能主要有无人机姿态稳定和控制、无人机任务设备管理和应急控制三大类。本申请中无人机的多个测量单元，可以为但不限于惯性测量单元(Inertial measurement unit,IMU)，测量单元的测量数据来源于其传感器，包括冗余的传感器，如：陀螺仪、加速剂、地磁感应、全球定位***(Global Positioning System，GPS)、气压传感器、超声波传感器、光流传感器等。获取到的测量数据包括但不限于：角速度、加速度、偏航角、飞行高度等。其中，若一个传感器有多个冗余，则获取每个传感器的测量数据，如共有5个陀螺仪，则同时获取5组角速度数据。
步骤S120，对获取的多组测量数据进行滤波处理，得到滤波结果，滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度。
对获取的多组测量数据进行滤波处理，滤波是将信号中特定波段频率滤除的操作，是抑制和防止干扰的一项重要措施。本实施例中，滤波算法依据对数据的要求可采用现有技术中的一种或几种的组合，包括但不限于限幅滤波、中位值滤波、算数平均滤波、递推平均滤波、中位值平均滤波、限幅平均滤波、一阶滞后滤波、加权递推平均滤波、消抖滤波、限幅消抖滤波等，以中位值滤波为例，该方法是连续采样N次，按大小排列，取中间值为本次有效值，中位值滤波能克服波动干扰，对温度等变化缓慢的被测参数有良好的滤波效果。
通过对获取的多组测量数据进行滤波处理，得到滤波结果，滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度。
一组测量数据进行滤波处理，得到一组滤波结果，该组滤波结果包括但不限于加速度、角速度、欧拉角(俯仰角、滚转角、偏航角)、水平高度等，这些参数即决定了无人机的飞行姿态，该飞行姿态信息即为该组滤波结果对应的初步姿态数据。由于无人机的硬件存在冗余，如有并行存在且同时运行的相同5组测量单元，则经过滤波处理后，可得到5组初步姿态数据，在没有传感器损坏的情况下，每组初步姿态数据里的参数是一样的，均包含角速度、加速度、偏航角、水平高度等。
上述并行的多组测量单元，由于传感器安装角度、工作状态或者某单个传感器存在故障等因素，采集的测量数据并不是完全可靠的，为了保障无人机飞行姿态测量的准确性，本申请在对多组测量数据进行滤波处理的过程中，对多组测量数据的数据健康度进行统计，数据健康度可以认为是衡量无人机的多组测量单元的测量数据质量优劣，甚至是能否用于后续无人机姿态估算的标准之一，如可以对数据健康度高的测量数据予以保留，对一些数据健康度很低的测量数据可以予以剔除，以保障后续无人机飞行姿态估算的安全可靠性。
数据健康度的计算可采用现有技术中的任意一种或几种的组合，如可限定数据健康度为0-100中的一个数值，将测量数据的初始数据健康度设定为100，按照预定规则，在初始数据健康度的基础上对测量数据的最终数据健康度进行计算，如发现测量数据存在一个野值则在初始数据健康度的基础上减5，如发现其中某项数据缺失，则在初始数据健康度的基础减20，从而得到无人机每个测量单元的最终数据健康度。
步骤S130，根据滤波结果筛选出若干组初步姿态数据。
根据滤波结果筛选出若干组初步姿态数据，该步骤可以是对无人机测量单元的测量数据中不健康不合理的数据进行剔除，也可以是从所有的合理的数据中进一步选择出质量较好的数据进行后续步骤，以节省计算量。
筛选的过程可以根据以上所述多组初步姿态数据进行筛选，如利用初步姿态数据中的一个或几个数据，如判断角速度中野值的数量超过预设数量时，将该组初步姿态数据剔除。
筛选的过程也可以根据测量数据的数值健康度进行筛选，如可以将预设数据健康度在60以上包含60的测量数据予以保留，而数据健康度小于60的测量数则予以剔除。
步骤S140，对筛选出的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。
承上所述，将保留下来的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。数据融合是将多组或多种源数据和信息加以联合、相关及组合，获得更为精确的结果的信息处理技术。
本申请中的融合方法可采用现有技术中的一种或几种，可以是数据层的直接融合，如将各组中全部的加速度求平均值作为加速度的融合结果。
本申请中的融合也可以是特征层面的融合，如将每组测量数据中的角速度、加速度、偏航角、水平高度等特征信息进行综合分析和处理，特征层融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度的给出决策分析所需要的特征信息。
本申请中的融合还可以是决策层面的融合，即根据不同类型传感器的数据建立对所观察目标的初步结论，然后通过关联处理进行决策层融合判决，最终获得联合推断结果。
由图1所述的方法可以看出，本申请在无需对无人机进行硬件改造的情况下，利用飞控***硬件上的冗余，能够快速、准确测量出无人机的姿态，显著地提升了无人机飞控***在导航方面的稳定性和精确性，尤其是在单个测量单元发生故障的时候，能够及时切换数据源，避免无人机坠机事故；且计算量小，代码实现方法简便，实用性更强。
在本申请的一个实施例中，在上述方法中，对获取的多组测量数据进行滤波处理，得到滤波结果包括：对各组测量数据分别进行互补滤波，得到各组测量数据的角速度漂移量和各组测量数据对应的初步姿态数据；根据角速度漂移量确定各组测量数据的数据健康度。
加速度计对无人机的加速度是比较敏感的，取瞬时值计算倾角误差比较大；而陀螺仪积分得到的角度不受无人机加速度的影响，但是随着时间的增加积分漂移和温度漂移带来的误差比较大。所以这两个传感器正好可以弥补相互的缺点，对各组测量数据分别进行互补滤波处理，即可实现上述目的。互补滤波就是在短时间内采用陀螺仪得到的角度做为最优，定时对加速度采样来的角度进行取平均值来校正陀螺仪的得到的角度。就是，短时间内用陀螺仪比较准确，以它为主；长时间用加速度计比较准确，这时候加大它的比重，这就是互补了。
加速度计要滤掉高频信号，陀螺仪要滤掉低频信号，互补滤波器就是根据传感器特性不同，通过不同的滤波器，高通或低通或互补的，然后再相加得到整个频带的信号，例如，加速度计测倾角，其动态响应较慢，在高频时信号不可用，所以可通过低通抑制高频；陀螺响应快，积分后可测倾角，不过由于零漂等，在低频段信号不好，通过高通滤波可抑制低频噪声。将两者结合，就将陀螺和加速度计的优点融合起来，得到在高频和低频都较好的信号，互补滤波需要选择切换的频率点，即高通和低通的频率。
陀螺角速度漂移是长时间工作的惯性导航***的主要误差源或干扰，它的存在，严重地限制了惯性导航***的工作时间和精度的提高，因此角速度漂移量可作为衡量测量数据是否健康的一个重要标准。角速度漂移量的计算可采用现有技术中的任意一种，如数学建模方法，传统方法为先假设存在某些特殊的模型公式，然后由实验数据确定有关的参数，这样实验数据能够适当地被模型描述，但是它们并不真实地描述产生这些数据的过程；现有的方法趋向于把实验数据纯粹当作一个随机序列，事先无需先验的假设某种模型的存在，而是根据数据的分析来判断确定的现象是否与实验数据符合，这种建立数学模型的方法，包括识别模型类型、参数估计和对结果进行检验三个阶段的重叠过程。
根据角速度漂移量确定各组测量数据的数据健康度，如可以根据角速度漂移量的大小将数据健康度划分成不同等级，如在角速度漂移量小于等于第一阈值时，确定数据健康度为一级，角速度漂移量大于第一阈值，小于等于第二阈值时，确定数据健康度为二级；也可以将数据健康度表示成具体数值，如0-100中的数值。
角速度漂移是所引起的***误差是随时间累积的，因此，对其进行统计是非常必要的，由角速度漂移量来确定测量数据的数据健康度能够，再根据数据健康度选择保留或剔除测量数据，能够极大程度上减小了角速度漂移带来得误差对无人机飞行姿态测量准确性的影响。
在本申请的一个实施例中，在上述方法中，对获取的多组测量数据进行滤波处理，得到滤波结果包括：对各组测量数据进行预处理，所述预处理包括时间戳对齐和/或低通滤波；将经过预处理的各组测量数据进行比较，根据比较结果确定各组测量数据的数据健康度。
无人机的测量单元测得的测量数据往往需要进行预处理，以便用于后续计算，本实施例中，推荐采用时间戳对齐和/或低通滤波对各组测量数据进行预处理。
对齐时间戳是为了后续在将各组数据进行比较时，保障相互比较的是同一时刻得到的数据。对齐时间戳的方法可采用现有技术中的任意一种，可选用时间戳完全对齐，可以选用时间戳相近，由于无人机飞行时姿态可能发生急剧变化，因此本实施例推荐使用时间戳完全对齐，其相对于时间戳相近更为严格。
对测量数据进行预处理，主要是为后续处理提供一个体积合适的、只包含所需信息的数据，这里通常会用到一些滤波处理手法，本实施例推荐使用低通滤波，低通滤波是一种过滤方式，规则为低频信号能正常通过，而超过设定临界值的高频信号则被阻隔、减弱。低通滤波主要是通过剔除短期波动、保留长期发展趋势提供了信号的平滑形式。
将经过预处理的各组测量数据进行比较，根据比较结果确定各组测量数据的数据健康度。这里可以根据经过预处理的各组测量数据进行一个无人机飞行姿态的预估计，将预估计姿态与数据库中姿态进行匹配，根据匹配结果以及被匹配的无人机的飞行姿态对应的数据进行比较，根据比较结果确定各组测量数据的数据健康度。
本实施例还可以将经过预处理的各组测量数据互相之间进行比较，如在测量数据包括角速度和/或加速度的情况下，确定每两个角速度的模的差值，根据得到的各差值与预设的角速度阈值的比较结果，确定各角速度中的野值和正常值；和/或，确定每两个加速度的模的差值，根据得到的各差值与预设的加速度阈值的比较结果，确定各加速度中的野值和正常值。
具体的，如先计算得到每组测量数据中角速度的模，然后将多个测量数据中角速度两两组合，举例来讲，如果无人机中存在5个陀螺仪，则同一时刻有5组角速度数据，将这5组角速度数据两两组合，即有10组两两的组合，每个角速度出现的次数为4。再将得到的每两个模值相减得到模的差值，将该差值与预设的角速度阈值相比，若差值小于等于预设的角速度阈值，确定该两个角速度均不是野值；若差值大于预设的角速度阈值，则该两个角速度可能为野值，这时标记出该两个角速度，当某个角速度被标记为可能为野值的次数大于等于预设次数时，如2次，则判断该角速度为野值。
同理，加速度中野值的判断方法也可采用但不限于上述方法。
在本申请的一个实施例中，在上述方法中，根据所述滤波结果筛选出若干组初步姿态数据包括：根据所述数据健康度确定初步姿态数据集合，从初步姿态数据集合中筛选出欧式距离最短的两组初步姿态数据。
在确定了每组测量数据的数据健康度后，可以根据数据健康度的高低对测量数据的质量优劣进行判断，保留下质量好的数据，剔除不合理数据。如5组测量数据，经过筛选保留3组测量数据，这3组测量数据即为初步姿态数据集合，可用于后续计算。
再从初步姿态数据集合中筛选出欧式距离最短的两组初步姿态数据。具体的，如将上述3组测量数据两两组成3对数据，再计算每对数据的欧式距离，最后选择出欧式距离最短的两组初步姿态数据作为后续计算的基础。
本实施例中距离度量采用的是欧式距离，也称欧几里得距离，可以理解为m维空间中两个点之间的真实距离，或者向量的自然长度，即该点到原点的距离，在二维和三维空间中的欧氏距离就是两点之间的实际距离。本领域中常采用的距离度量还有余弦距离，但余弦距离主要体现方向上的相对差异，而欧氏距离主要体现数值上的绝对差异，因此本实施例采用了欧氏距离。
在本申请的一个实施例中，在上述方法中，对筛选出的初步姿态数据进行融合包括：根据初步姿态数据对应的测量数据的数据健康度，确定各筛选出的初步姿态数据的融合权重；基于融合权重，根据加权最小二乘法对各筛选出的初步姿态数据进行融合。
根据初步姿态数据对应的测量数据的数据健康度，确定各筛选出的初步姿态数据的融合权重的原则就是对数据健康度高对应的初步姿态数据赋予高的融合权重，对于数据健康度低对应的初步姿态数据赋予低的融合权重，融合权重的分配方法可采用现有技术中的任意一种，举例来讲，如果数据健康度为一个具体数值，可根据数值大小对初步姿态数据赋予合理的融合权重，如共3组测量数据，其数据健康度分别为50、60和70，则赋予这3组测量数据对应的初步姿态数据的融合权重为0.5、0.6和0.7。
基于融合权重，根据加权最小二乘法对各筛选出的初步姿态数据进行融合，得到最终的无人机的姿态数据。传统的一般最小二乘法是在没有测量值误差的统计信息时使用，但是一般最小二乘法没有考虑两种测量仪器测量精度不同的特点，如果在已知测量值误差统计信息时，建议可以采用加权最小二乘法，进一步提高状态估计精度，加权最小二乘法与一般最小二乘法不同的地方是最小化性能指标发生改变，加入了权重矩阵，本实施例选择让数据健康度高的融合权重值大一些，而数据健康度低的融合权重值小些，构成本实施例中的最小化性能指标。
本实施例采用加权最小二乘法，考虑了不同的测量仪器测量精度不同的特点，并且考虑了数据健康度的问题，进一步提高了无人机姿态测量的准确性。
在本申请的一个实施例中，在上述方法中，该方法还包括：根据无人机的姿态数据进行无人机的导航。
无人机在导航时，进行路径规划或者航点确定时，大多数情形下都需要根据无人机姿态信息进行，因此本申请中，采用上述无人机姿态的测量方法得到的无人机的姿态数据均可以用于无人机的导航，且上述实施例中举出的方法既可以单独使用也可以结合使用。
上述实施例可以分别单独实施，也可以结合实施，具体地，图2示出了根据本申请另一个实施例的无人机姿态测量方法的流程示意图。
首先获取无人机的多个检测单元的测量数据，然后对各组测量数据分别进行互补滤波处理，通过处理得到各组数据的角速度漂移量，和各组数据对应的无人机初步姿态数据。
将角速度漂移量与预设阈值进行对比，根据对比结果确定每组测量数据的数据健康度，可记为角速度漂移量数据健康度。
对每组检测单元的测量数据先对齐时间戳，然后进行低通处理，计算每两个角速度和加速度的模的差值，根据各差值与相应的预设的阈值的比较结果，确定各角速度和加速度中的野值和正常值，根据角速度中野值的数量确定各组测量数据的数据健康度，记为角速度数据健康度；根据加速度中野值的数量确定各组测量数据的数据健康度，记为加速度数据健康度。
联合角速度漂移量数据健康度、角速度数据健康度和加速度数据健康度从各组测量数据对应的初步姿态数据中筛选出初步姿态数据集合。
计算初步姿态数据集合中每两组数据的欧式距离，选取欧式距离最短的两组数据进行后续的融合步骤。
联合角速度漂移量数据健康度、角速度数据健康度和加速度数据健康度，确定上述筛选出的两组初步姿态数据的融合权重，基于融合权重，根据加权最小二乘法对所述各筛选出的初步姿态数据进行融合，得到无人机最终的飞行姿态信息。
进一步，可根据上述无人机最终的飞行姿态信息进行导航。
图3示出了根据本申请一个实施例的无人机姿态测量装置的结构示意图，该无人机姿态测量装置300包括：
获取单元310，用于获取无人机的多个测量单元的测量数据。
无人机在各种场景下被广泛应用，尤其是四旋翼无人机在许多应用领域展现出其独特优势，如快递投掷、外卖配送、安保执法等，甚至一些地形复杂场景，如灾难救援、军事侦察等。这就要求无人机有很高的稳定性和精确性，现有技术往往通过对无人机进行软硬件的大量冗余，来提升无人机的稳定性，这无疑就增加了无人机的制造成本，增加了无人机的重量，进而影响了无人机的飞行性能。本申请针对上述问题，提出了一种轻量级的无人机姿态测量方法，在不对无人机进行硬件改造的前提下，利用了无人机硬件的冗余，保障了无人机飞控***在导航方面的稳定性，在单个数据测量单元发生故障或数据异常时，能够及时切换数据源，确保无人机姿态测量的准确可靠，进一步确保了导航估计的稳定可靠。
首先，获取无人机的多个测量单元的测量数据。无人机的飞控***是无人机完成起飞、空中飞行、执行任务和返场回收等整个飞行过程的核心***，飞控***对于无人机相当于驾驶员对于有人机的作用，是无人机最核心的技术之一。飞控***一般包括传感器、机载计算机和伺服作动设备三大部分，实现的功能主要有无人机姿态稳定和控制、无人机任务设备管理和应急控制三大类。本申请中无人机的多个测量单元，可以为但不限于惯性测量单元(Inertial measurement unit,IMU)，测量单元的测量数据来源于其传感器，包括冗余的传感器，如：陀螺仪、加速剂、地磁感应、全球定位***(Global Positioning System，GPS)、气压传感器、超声波传感器、光流传感器等。获取到的测量数据包括但不限于加速度、角速度、欧拉角(俯仰角、滚转角、偏航角)、飞行高度等。其中，若一个传感器有多个冗余，则获取每个传感器的测量数据，如共有5个陀螺仪，则获取5组角速度数据。
数据处理单元320，用于对获取的多组测量数据进行滤波处理，得到滤波结果，所述滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度；以及用于根据所述滤波结果筛选出若干组初步姿态数据。
对获取的多组测量数据进行滤波处理，滤波是将信号中特定波段频率滤除的操作，是抑制和防止干扰的一项重要措施，是根据观察某一随机过程的结果，对另一与之有关的随机过程进行估计的概率理论与方法。本实施例中，滤波算法依据对数据的要求可采用现有技术中的一种或几种的组合，包括但不限于限幅滤波、中位值滤波、算数平均滤波、递推平均滤波、中位值平均滤波、限幅平均滤波、一阶滞后滤波、加权递推平均滤波、消抖滤波、限幅消抖滤波等，以中位值滤波为例，该方法是连续采样N次，按大小排列，取中间值为本次有效值，中位值滤波能克服波动干扰，对温度等变化缓慢的被测参数有良好的滤波效果。
通过对获取的多组测量数据进行滤波处理，得到滤波结果，滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度。
一组测量数据进行滤波处理，得到一组滤波结果，该组滤波结果包括但不限于角速度、加速度、偏航角、水平高度等，这些参数即决定了无人机的一个飞行姿态，这组数据即为该组滤波结果对应的初步姿态数据。由于无人机的硬件存在冗余，如有并行存在且同时运行的相同5组测量单元，则经过滤波处理后，可得到5组初步姿态数据，每组初步姿态数据里的参数是一样的，均包含角速度、加速度、偏航角、水平高度等。
上述并行的多组测量单元，由于传感器安装角度、工作状态或者某单个传感器存在故障等因素，采集的测量数据并不是完全可靠的，为了保障无人机飞行姿态测量的准确性，本申请在对多组测量数据进行滤波处理的过程中，对多组测量数据的数据健康度进行统计，数据健康度可以认为是衡量无人机的多组测量单元的测量数据质量优劣，甚至是能否用于后续无人机姿态估算的标准之一，如可以对数据健康度高的测量数据予以保留，对一些数据健康度很低的测量数据可以予以剔除，以保障后续无人机飞行姿态的估算的安全可靠性。
数据健康度的计算可采用现有技术中的任意一种或几种的组合，如可限定数据健康度为0-100中的一个数值，将测量数据的初始数据健康度设定为100，按照预定规则，在初始数据健康度的基础上对测量数据的最终数据健康度进行计算，如发现测量数据存在一个野值则在初始数据健康度的基础上减5，如发现其中某项数据缺失，则在初始数据健康度的基础减20，从而得到无人机每个测量单元的最终数据健康度。
根据滤波结果筛选出若干组初步姿态数据，该步骤可以是对无人机测量单元的测量数据中不健康不合理的数据进行剔除，也可以是从所有的合理的数据中进一步选择出质量较好的数据进行后续步骤，以节省计算量。
筛选的过程可以根据以上所述多组初步姿态数据进行筛选，如利用初步姿态数据中的一个或几个数据，如判断角速度中野值的数量超过预设数量时，将该组初步姿态数据剔除。
筛选的过程也可以根据测量数据的数值健康度进行筛选，如可以将预设数据健康度在60以上包含60的测量数据予以保留，而数据健康度小于60的测量数则予以剔除。
执行单元330，用于对筛选出的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。
承上所述，将保留下来的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。数据融合是将多组或多种源数据和信息加以联合、相关及组合，获得更为精确的结果的信息处理技术。
本申请中的融合方法可采用现有技术中的一种或几种，可以是数据层的直接融合，如将各组中全部的加速度求平均值作为加速度的融合结果。
本申请中的融合也可以是特征层面的融合，如将每组测量数据中的角速度、加速度、偏航角、水平高度等特征信息进行综合分析和处理，特征层融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度的给出决策分析所需要的特征信息。
本申请中的融合还可以是决策层面的融合，即根据不同类型传感器的数据建立对所观察目标的初步结论，然后通过关联处理进行决策层融合判决，最终获得联合推断结果。
在本申请的一个实施例中，在上述装置中，数据处理单元320，用于对各组测量数据分别进行互补滤波，得到各组测量数据的角速度漂移量和各组测量数据对应的初步姿态数据；以及用于根据角速度漂移量确定各组测量数据的数据健康度。
在本申请的一个实施例中，在上述装置中，数据处理单元320，用于对各组测量数据进行预处理，所述预处理包括时间戳对齐和/或低通滤波；以及用于将经过预处理的各组测量数据进行比较，根据比较结果确定各组测量数据的数据健康度。
在本申请的一个实施例中，在上述装置中，测量数据包括角速度和/或加速度，数据处理单元320，用于确定每两个角速度的模的差值，根据得到的各差值与预设的角速度阈值的比较结果，确定各角速度中的野值和正常值；和/或，确定每两个加速度的模的差值，根据得到的各差值与预设的加速度阈值的比较结果，确定各加速度中的野值和正常值。
在本申请的一个实施例中，在上述装置中，数据处理单元320，用于根据所述数据健康度确定初步姿态数据集合，从初步姿态数据集合中筛选出欧式距离最短的两组初步姿态数据。
在本申请的一个实施例中，在上述装置中，执行单元330，用于根据初步姿态数据对应的测量数据的数据健康度，确定各筛选出的初初步姿态数据的融合权重；以及用于基于融合权重，根据加权最小二乘法对各筛选出的初步姿态数据进行融合。
在本申请的一个实施例中，在上述装置中，执行单元330，还用于根据无人机的姿态数据进行无人机的导航。
需要说明的是，上述实施例中的无人机姿态测量装置可分别用于执行前述实施例中的无人机姿态测量方法，因此不再一一进行具体的说明。
由上述可知，本申请的技术方案，通过获取无人机的多个测量单元的测量数据；对获取的多组测量数据进行滤波处理，得到滤波结果，滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度；根据滤波结果筛选出若干组初步姿态数据；对筛选出的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。本申请的有益效果在于：在无需对无人机进行硬件改造的情况下，利用飞控***硬件上的冗余，能够快速、准确测量出无人机的姿态，显著地提升了无人机飞控***在导航方面的稳定性和精确性，尤其是在单个测量单元发生故障的时候，能够及时切换数据源，避免无人机坠机事故；且计算量小，代码实现方法简便，实用性更强。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个申请方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，申请方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的无人机姿态测量装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
例如，图4示出了根据本申请一个实施例的无人机的结构示意图。该无人机400包括处理器410和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器420。存储器420可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器420具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码431的存储空间430。例如，用于存储计算机可读程序代码的存储空间430可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码431。计算机可读程序代码431可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图5所述的计算机可读存储介质。图5示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质500存储有用于执行根据本申请的方法步骤的计算机可读程序代码431，可以被无人机400的处理器410读取，当计算机可读程序代码431由无人机400运行时，导致该无人机400执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码431可以执行上述任一实施例中示出的方法。计算机可读程序代码431可以以适当形式进行压缩。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种无人机姿态测量方法，其特征在于，包括：
获取无人机的多个测量单元的测量数据；
对获取的多组测量数据进行滤波处理，得到滤波结果，所述滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度；
根据所述滤波结果筛选出若干组初步姿态数据；
对筛选出的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。
2.根据权利要求1所述的方法，其特征在于，所述对获取的多组测量数据进行滤波处理，得到滤波结果包括：
对各组测量数据分别进行互补滤波，得到各组测量数据的角速度漂移量和各组测量数据对应的初步姿态数据；
根据所述角速度漂移量确定各组测量数据的数据健康度。
3.根据权利要求1所述的方法，其特征在于，所述对获取的多组测量数据进行滤波处理，得到滤波结果包括：
对各组测量数据进行预处理，所述预处理包括时间戳对齐和/或低通滤波；
将经过预处理的各组测量数据进行比较，根据比较结果确定各组测量数据的数据健康度。
4.根据权利要求3所述的方法，其特征在于，所述测量数据包括角速度和/或加速度，所述比较包括：
确定每两个角速度的模的差值，根据得到的各差值与预设的角速度阈值的比较结果，确定各角速度中的野值和正常值；
和/或，
确定每两个加速度的模的差值，根据得到的各差值与预设的加速度阈值的比较结果，确定各加速度中的野值和正常值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述滤波结果筛选出若干组初步姿态数据包括：
根据所述数据健康度确定初步姿态数据集合，从初步姿态数据集合中筛选出欧式距离最短的两组初步姿态数据。
6.根据权利要求1所述的方法，其特征在于，所述对筛选出的初步姿态数据进行融合包括：
根据初步姿态数据对应的测量数据的数据健康度，确定各筛选出的初步姿态数据的融合权重；
基于所述融合权重，根据加权最小二乘法对所述各筛选出的初步姿态数据进行融合。
7.根据权利要求1-6中任一项所述的方法，其特征在于，该方法还包括：
根据无人机的姿态数据进行无人机的导航。
8.一种无人机姿态测量装置，其特征在于，该装置包括：
获取单元，用于获取无人机的多个测量单元的测量数据；
数据处理单元，用于对获取的多组测量数据进行滤波处理，得到滤波结果，所述滤波结果包括各组测量数据对应的初步姿态数据，以及各组测量数据的数据健康度；以及用于根据所述滤波结果筛选出若干组初步姿态数据；
执行单元，用于对筛选出的初步姿态数据进行融合，将融合结果作为无人机的姿态数据。
9.一种无人机，其中，该无人机包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010278930.9A CN113514049A (zh) | 2020-04-10 | 2020-04-10 | 无人机姿态测量方法、装置、无人机及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010278930.9A CN113514049A (zh) | 2020-04-10 | 2020-04-10 | 无人机姿态测量方法、装置、无人机及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113514049A true CN113514049A (zh) | 2021-10-19 |
Family
ID=78060427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010278930.9A Pending CN113514049A (zh) | 2020-04-10 | 2020-04-10 | 无人机姿态测量方法、装置、无人机及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113514049A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114217628A (zh) * | 2021-12-24 | 2022-03-22 | 北京理工大学重庆创新中心 | 基于5g通讯的双路imu单元无人机控制器及控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103512584A (zh) * | 2012-06-26 | 2014-01-15 | 北京赛佰特科技有限公司 | 导航姿态信息输出方法、装置及捷联航姿参考*** |
| CN105739510A (zh) * | 2016-01-13 | 2016-07-06 | 天津中科智能识别产业技术研究院有限公司 | 一种用于救灾无人机姿态控制的互补滤波方法 |
| KR101818232B1 (ko) * | 2017-05-26 | 2018-01-12 | 이윤성 | 비상 제어 장치, 이를 구비한 드론 및 이를 구비한 드론의 제어방법 |
| CN108447090A (zh) * | 2016-12-09 | 2018-08-24 | 株式会社理光 | 对象姿态估计的方法、装置及电子设备 |
| CN109001787A (zh) * | 2018-05-25 | 2018-12-14 | 北京大学深圳研究生院 | 一种姿态角解算与定位的方法及其融合传感器 |
| CN109858512A (zh) * | 2018-12-10 | 2019-06-07 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、设备、车辆及存储介质 |
-
2020
- 2020-04-10 CN CN202010278930.9A patent/CN113514049A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103512584A (zh) * | 2012-06-26 | 2014-01-15 | 北京赛佰特科技有限公司 | 导航姿态信息输出方法、装置及捷联航姿参考*** |
| CN105739510A (zh) * | 2016-01-13 | 2016-07-06 | 天津中科智能识别产业技术研究院有限公司 | 一种用于救灾无人机姿态控制的互补滤波方法 |
| CN108447090A (zh) * | 2016-12-09 | 2018-08-24 | 株式会社理光 | 对象姿态估计的方法、装置及电子设备 |
| KR101818232B1 (ko) * | 2017-05-26 | 2018-01-12 | 이윤성 | 비상 제어 장치, 이를 구비한 드론 및 이를 구비한 드론의 제어방법 |
| CN109001787A (zh) * | 2018-05-25 | 2018-12-14 | 北京大学深圳研究生院 | 一种姿态角解算与定位的方法及其融合传感器 |
| CN109858512A (zh) * | 2018-12-10 | 2019-06-07 | 北京百度网讯科技有限公司 | 点云数据的处理方法、装置、设备、车辆及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114217628A (zh) * | 2021-12-24 | 2022-03-22 | 北京理工大学重庆创新中心 | 基于5g通讯的双路imu单元无人机控制器及控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10422872B2 (en) | Integrity monitoring of radar altimeters | |
| CN108692739B (zh) | 用于具有异构测量结果的导航***的完整性监视方法 | |
| CN104848873A (zh) | 传感器数据融合的方法 | |
| CN109900300A (zh) | 一种用于无人机的组合导航完好性监测*** | |
| US8521341B2 (en) | Methods and systems for fault determination for aircraft | |
| Zhang et al. | Vision-aided localization for ground robots | |
| Gašparović et al. | Two-step camera calibration method developed for micro UAV's | |
| CN110160528B (zh) | 一种基于角度特征识别的移动装置位姿定位方法 | |
| US20220188646A1 (en) | Classifier with outlier detection algorithm | |
| Dusha et al. | Fixed‐wing attitude estimation using temporal tracking of the horizon and optical flow | |
| CN114167470A (zh) | 一种数据处理方法和装置 | |
| CN113869379A (zh) | 一种基于数据驱动的航空器能量异常识别方法 | |
| CN111913492A (zh) | 无人机安全降落方法和装置 | |
| CN103575279A (zh) | 基于模糊信息的航迹关联方法及*** | |
| JP2022513511A (ja) | 完全性範囲を特定するための方法 | |
| Wang et al. | High-performance inertial measurements using a redundant array of inexpensive gyroscopes (RAIG) | |
| CN113296532A (zh) | 载人飞行器的飞行控制方法和装置、以及载人飞行器 | |
| CN113514049A (zh) | 无人机姿态测量方法、装置、无人机及存储介质 | |
| CN117311393B (zh) | 一种无人机自主飞行路径规划方法及*** | |
| CN112105961A (zh) | 基于多数据融合的定位方法、可移动平台及存储介质 | |
| Del Pizzo et al. | Reliable vessel attitude estimation by wide angle camera | |
| WO2021051361A1 (zh) | 高精度地图定位方法、***、平台及计算机可读存储介质 | |
| CN111880576B (zh) | 基于视觉的无人机飞行控制方法及装置 | |
| CN113272625A (zh) | 飞行器定位方法、装置、飞行器及存储介质 | |
| James et al. | Vision based algorithm for automatic landing system of unmanned aerial vehicles: a review |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211019 |