基于视觉的无人机自主着陆融合定位算法研究 朱宏渊(Hongyuan Zhu) 倪静(Jing Ni) 杨楠(Nan Yang) 高博洋(Boyang Gao) 刘晓雄(Xiaoxiong Liu)

《Machines》:Research on Vision-Based Autonomous Landing Fusion Positioning Algorithm for Unmanned Aerial Vehicle Hongyuan Zhu, Jing Ni, Nan Yang, Boyang Gao and Xiaoxiong Liu

【字体: 大 中 小 】 时间:2026年04月23日 来源:Machines 2.5

编辑推荐:

  摘要:为了解决在无人机视觉自主着陆应用场景中,跑道宽度对先验信息依赖的问题,我们设计了一个基于深度学习的多任务网络,用于识别跑道线和跑道标记。通过检测飞行过程中在不同位置拍摄的跑道图像,可以获得跑道起始线、左右边界线以及跑道标记的参数。在此基础上,我们设计了一个基于线特征的跑道宽

  摘要:为了解决在无人机视觉自主着陆应用场景中,跑道宽度对先验信息依赖的问题,我们设计了一个基于深度学习的多任务网络,用于识别跑道线和跑道标记。通过检测飞行过程中在不同位置拍摄的跑道图像,可以获得跑道起始线、左右边界线以及跑道标记的参数。在此基础上,我们设计了一个基于线特征的跑道宽度估计模型和视觉定位算法。在标准跑道场景下,跑道标志的识别可以提供关于跑道宽度的宝贵先验信息。对于简化的跑道或缺少标志的情况,我们提出了一种基于左右边界线的宽度估计模型。此外,考虑到无人机着陆过程中俯仰角的变化,我们还分析并改进了宽度估计模型,以确保其在整个着陆过程中的适用性。我们还开发了一种视觉定位算法,该算法利用跑道宽度和跑道线参数来计算无人机与跑道的相对位置。鉴于单一视觉定位算法的局限性,我们采用了视觉与惯性导航融合定位算法来提高着陆定位的可靠性。为了验证我们的算法,我们构建了一个视觉仿真平台和飞行测试。这些测试证实了我们的检测算法和宽度估计模型的有效性和准确性。通过利用估计的跑道宽度和检测到的跑道线参数,我们成功计算出了相对位置,进一步验证了定位算法的有效性。

1. 引言
近年来,无人机(UAV)在军事和民用领域得到了广泛应用和发展。无人机的自主着陆是任务执行的关键部分,同时也是事故发生率最高的阶段之一。在着陆过程中,获取无人机与跑道之间的精确位置关系对于确保安全稳定的着陆至关重要。目前,无人机着陆时的导航信息主要通过GPS、仪表着陆系统(ILS)和微波着陆系统(MLS)获得。尽管这些系统可以提供准确的导航信息,但无人机对外部导航源的依赖性在GPS信号受限的环境或非标准跑道上着陆时带来了重大挑战,这大大降低了着陆的安全性[1]。
随着计算机视觉和图像处理技术的进步,基于视觉传感器的导航技术已经应用于自主着陆场景。视觉传感器利用机场跑道线等特征,并采用图像检测和识别技术来确定飞行过程中无人机与跑道之间的相对姿态等导航信息。与传统导航系统相比,视觉着陆系统具有自主性高、被动性强、抗干扰能力强和成本低等优点。视觉引导着陆系统的检测和定位需要一定的跑道先验信息,如跑道宽度和跑道方位角。在这些因素中,跑道宽度对于基于线特征的视觉引导着陆系统来说是不可或缺的。参考文献[2,3,4,5]在定位阶段利用了关于跑道宽度的先验信息。因此,跑道宽度作为先决条件,限制了无人机自主着陆时可供选择的跑道类型。
跑道的宽度可以通过尺寸估计方法来解决。尺寸估计是计算机视觉中的一个基本问题[6,7],在航空领域的目标检测和导航中也有重要应用[8]。通常,尺寸估计需要知道物体的深度信息,这可以通过单目相机[9,10]或立体相机[11]来实现。对于立体相机,可以根据两个成像平面之间的像素差异利用立体视觉原理计算物体的深度信息。然而,这种方法能够估计的深度范围取决于两个相机镜头之间的距离(基线长度)。对于无人机着陆过程中的跑道宽度估计,所需的基线长度将远远超过无人机本身的大小,因此不切实际。另一方面,单目相机没有这样的基线限制,但它无法直接获取物体的深度信息。
使用单目相机进行深度估计通常有两种方法。第一种方法基于多视图几何,利用两张具有已知相对姿态的图像来模拟立体相机,并将两张图像之间的距离视为空间基线长度[12]。第二种方法基于深度学习,通过训练网络来获取图像中每个像素的深度信息[13],研究人员使用两张或更多张可见图像来提取深度信息。在无人机着陆过程中,利用估计的跑道宽度时,所需的基线长度会远远超过无人机本身的大小,因此这种方法不实用。另一方面,单目相机没有这样的基线限制,但它无法直接获取物体的深度信息。
使用单目相机进行深度估计通常有两种方法。第一种方法基于多视图几何,利用两张具有已知相对姿态的图像来模拟立体相机,并将两张图像之间的距离视为空间基线长度[12,14]。这种方法通过捕捉运动中的障碍物图像来应用于无人机避障场景,利用特征匹配和几何关系来估计无人机与障碍物之间的距离。第二种方法基于深度学习,通过训练网络来获取图像中每个像素的深度信息[13,15,16,17]。然而,在跑道宽度估计的背景下,深度学习方法存在两个主要挑战:(1)在无人机着陆过程中很难获取图像中每个像素的深度信息,这使得为网络训练创建数据集变得困难。(2)大多数深度估计网络输出的深度值是相对的,因此很难直接得出跑道的实际深度。
考虑到将单目相机的多视图几何方法应用于跑道宽度估计场景时存在的问题,我们设计了一个基于多任务网络的跑道线检测算法。此外,我们还开发了一个基于线特征的跑道宽度估计模型。本文的主要贡献如下:
(1)通过设计一个多任务深度卷积网络,我们能够检测图像中的跑道线和跑道标志,并获取跑道线的参数。同时,我们利用起始线的数量和跑道编号来获取标准跑道的宽度和方位角信息。
(2)为了解决非标准设计的跑道或缺少标志的情况,我们提出了一个基于跑道边界线的跑道宽度估计模型。我们还设计了一种视觉定位算法,该算法利用跑道宽度和跑道线参数来计算无人机相对于跑道的三维位置。
(3)考虑到单一视觉定位算法的局限性,我们采用了视觉与惯性导航融合定位算法来提高无人机着陆定位的可靠性。

本文的结构如下:第2节描述了用于检测跑道和跑道标志的多任务网络以及网络输出的后期处理。第3节提出了考虑俯仰角影响的跑道宽度估计模型以及我们设计的视觉定位算法。第4节介绍了一个可视化仿真系统,用于验证估计模型和定位算法的有效性。第5节我们设计了一个固定翼视觉着陆飞行测试平台来测试算法。最后,在第6节总结了本文的贡献。

2. 飞机气流角度扩展状态观测器的设计
跑道线检测包括三个阶段:跑道粗略定位、跑道线检测和后期处理,如图1所示。在跑道粗略定位阶段,使用了YOLO系列中的一阶段目标检测网络YOLOV8n。这个阶段包括在图像中检测跑道位置、图像裁剪和尺寸调整,以生成固定大小的跑道图像以便后续的跑道线检测。在跑道线检测阶段,采用了一个多任务网络来进行跑道线的像素分割和跑道标志(如跑道编号和跑道起始线)的检测。这一阶段的输出包括跑道标识符的像素位置、跑道起始线和跑道边界线。后期处理阶段包括三项任务:(1)识别跑道编号以获取跑道方位角;(2)识别跑道起始线以获取跑道宽度;(3)提取跑道线参数以获取坡度和截距。图1显示了跑道线检测的流程图。本文中使用的跑道线检测网络基于一个多任务网络[18],该网络最初是在自动驾驶领域提出的。该网络有三个输出头,可以同时检测图像中的车辆、分割图像中的车道线并识别可驾驶区域。然而,该网络的车道线分割输出缺乏语义信息,这使得在应用于跑道线检测时难以区分左右跑道线并识别起始线。因此,我们对网络架构进行了调整,专门针对跑道线检测场景进行了优化。
跑道线检测网络去掉了原始网络中的可驾驶区域分割分支,并将车道线分割分支修改为跑道线分割分支,如图2所示。由于三条跑道线具有固定的空间关系,因此使用一个分支来分割所有三条线,而不是为每条线使用单独的分支。这种方法有效减少了三条跑道线之间交叉分割结果的发生。图2展示了跑道线检测网络的结构。跑道线检测网络的检测和分割结果需要后期处理来识别编号、检测起始线和提取跑道线参数。对于编号识别,使用了经典的LeNet-5网络[19]。LeNet-5网络由两个卷积层、两个池化层和两个全连接层组成,是一个简单的网络结构,在数字识别任务中提供了出色的检测速度和准确性。
起始线检测采用了传统的形态学方法。图3展示了起始线检测的过程。在对输入的起始线图像进行线性化、膨胀和侵蚀等预处理步骤后,下一步是使用行采样计算从白线到黑背景的变更次数。这个过程包括扫描图像的各行并计算从白色像素到黑色像素的转换次数。最后,应用过滤策略根据得到的转换次数来计数起始线的数量。图3展示了起始线检测的流程图。跑道线参数提取通过对网络输出的山脉分割结果进行直线拟合来获取三条跑道的坡度和截距。首先,对三条跑道的分割结果进行轮廓提取,仅保留每个轮廓中面积最大的部分,从而去除分割结果中的不必要的小面积干扰。然后,对每个轮廓中面积最大的部分进行线拟合,并使用最小二乘法拟合来获得跑道线的坡度和截距。
通过后期处理获得的跑道方位角、跑道宽度、跑道线坡度和截距信息是无人机定位算法的基础。然而,当跑道标记缺失或着陆跑道为简单跑道时,无法通过跑道起始线的数量来确定跑道宽度,从而无法完成无人机的定位。因此,在下一节中,我们设计了一个估计模型,利用跑道线特征来估计跑道宽度并获得定位的先验信息。

3. 跑道宽度估计和定位
本节介绍了一个基于跑道特征的跑道宽度估计模型和视觉定位算法。在视觉引导着陆系统的定位阶段,基于跑道线特征的定位方法(如Plucker变换[20]、PNP[21])都需要关于跑道宽度的先验信息。为了扩展视觉引导着陆系统的应用场景,无人机在着陆过程中需要独立计算当前跑道的信息。标准跑道通常会标有各种标志来指示跑道的相关信息,例如跑道起点线和跑道编号。跑道起点线上的白线数量表示跑道宽度,如表1所示。跑道编号表示跑道的方向角度。在标准跑道上着陆时,可以设计检测和识别算法来识别跑道上的标志,从而获得关于跑道宽度和跑道方位角的先验信息。跑道宽度用于计算无人机与跑道之间的相对位置,而跑道方位角则用于无人机的航向控制,以使无人机对准跑道。然而,在无人机降落在简化跑道或跑道标志缺失的情况下,无人机无法通过识别跑道标志来获取关于跑道的先验信息。因此,在本节中,我们将介绍两种基于跑道几何特征的宽度估计模型。第一个模型是基于跑道起点线的宽度估计模型,第二个模型是基于跑道左右边界线的宽度估计模型。这些模型旨在在没有跑道标志或简化跑道的情况下估计跑道宽度。此外,基于估计的跑道宽度,我们将设计一种视觉定位算法来计算着陆过程中的相对位置。该算法利用跑道宽度估计和其他跑道线参数来确定无人机相对于跑道的相对位置。

3.1 基于左右边界线的模型
除了跑道起点线外,跑道的左右边界线也是重要的线特征。为了避免由于损坏、磨损或污染导致提取跑道起点线时可能出现的挑战,我们进一步讨论了一种基于跑道左右边界线的宽度估计模型。如图4所示,我们利用跑道左右边界线或其延伸部分在图像底部的投影来估计跑道宽度。在无人机着陆过程中,无人机的高度变化会导致跑道左右边界线在像素坐标系中的投影距离相应变化。随着高度的降低,这个投影距离会增加;而随着高度的增加,投影距离会减小。

图4. 跑道边界线或其延伸部分在图像底部的投影

我们做如下假设:
(1) 无人机的运动方向与跑道方向一致,即无人机直接朝向跑道。
(2) 在跑道宽度估计过程中,无人机不会发生滚转或偏航角度。
(3) 相机固定在无人机前方,相机的光轴与无人机的身体x轴平行。

基于跑道左右边界线的宽度估计模型如图5所示。表示跑道的左边界线,表示跑道的右边界线,表示无人机下降过程中的相机位置。这两个帧之间的三轴距离可以通过无人机的惯性测量单元(IMU)来测量。我们将两个帧之间沿跑道z轴的距离视为基线。从帧到跑道水平面的距离称为深度。两个图像帧中跑道左右边界线或其延伸部分在底部的投影长度分别表示为和。

首先,我们考虑两个帧中无人机俯仰角相同的情况。根据相似三角形的原理,我们可以得出以下方程:

其中表示从光心到图像底部边的距离,和分别表示左右边界线之间的距离。根据上述方程,我们可以推导出:

和表示每个帧的光心到跑道平面的距离。假设表示深度,表示基线b。将向下方向视为正方向,我们有。由于三角形的相似性,我们可以进一步推导出:

表示第二个帧中光心相对于跑道平面的深度。它可以表示为:

利用方程(3)和(4),跑道宽度可以表示为:

其中可以从相机内参和垂直视场角计算得出。

当两个帧之间的无人机俯仰角不同时,由于三角形不再相似,方程(3)不再成立。在这种情况下,我们可以考虑两个帧之间无人机俯仰角的变化来校正三角形。如图6所示,无人机在帧和帧之间发生了俯仰角变化,导致三角形和的不相似。

通过分析图中的几何关系,我们可以推导出和之间的关系:

然后,方程(3)和(5)可以修改为用于估计跑道宽度的公式:

3.2 基于跑道线的视觉定位算法
在无人机(UAV)在跑道上着陆的过程中,跑道线在图像中表现出特定的特征。通过使用第3节中设计的跑道线特征提取算法和第4节中的跑道宽度估计模型,可以获得跑道线的几何参数和跑道宽度作为视觉定位算法的输入。最终,定位算法计算出无人机在跑道坐标系中的三维坐标。

跑道坐标系如图7所示。表示跑道坐标系,其中与跑道方向对齐,指向跑道的右侧。表示相机坐标系,表示像素坐标系。跑道的左边界线表示为,跑道起点线表示为,跑道的右边界线表示为。点和分别是像素坐标系中跑道左右边界线与起点线的交点。点是跑道左右边界线的消失点。表示跑道宽度。

如果跑道在像素坐标系中的一条边界线的形式表示为,那么这条线上的任何点都必须满足以下条件:

其中表示像素坐标系中跑道线上任意点的坐标。像素坐标系中的点与跑道坐标系中的空间点之间的投影关系如下:

其中是投影矩阵,是からカメラ座標系への回転行列,は跑道座標系におけるカメラ座標系原点の三次元座標です。はカメラの内蔵行列であり、カメラのキャリブレーションによって得られます。はカメラ座標系における点のz軸座標です。両 sides of the equation by , we get:

令,则有:

展开方程,我们得到:

对于左边界线上的点,它必须满足:

代入方程,我们得到:

由于这个方程对左边界线上的任何点都成立,可以任意变化,因此。

进一步简化方程,我们得到:

其中和可以从像素坐标系中右边界线的几何参数、从跑道坐标系到相机坐标系的旋转矩阵以及相机内蔵矩阵中获得。类似地,对于右跑道线,我们有:

通过同时解上述两个方程,我们可以确定无人机在跑道坐标系中的y轴和z轴坐标。对于起点线,它必须满足:

利用上述公式,我们有:

同样地,我们有,因此我们得到:

3.3 融合定位算法设计
虽然无人机可以使用视觉信息获得精确的视觉定位结果,但仅依赖单一视觉传感器有以下缺点:第一个缺点是定位数据的计算频率有限。尽管本文在检测部分采用了跟踪策略和网络加速来提高检测结果的计算速度,实现了20-30 Hz的整体定位数据计算频率,但仍无法满足无人机的闭环控制要求。第二个缺点是单一传感器的不可靠性。如果定位数据计算仅依赖于单一视觉传感器,并且在着陆过程中视觉传感器发生故障或定位丢失,无人机将失去自主着陆能力,严重危及其安全。因此,本文设计了一种基于扩展卡尔曼滤波器的IMU和视觉融合定位算法。视觉定位系统计算出的无人机三维位置与IMU计算出的位置之间的差异被用作位置误差的测量信息。选择了十五个状态变量,包括姿态角误差、位置误差、速度误差、陀螺仪常数漂移和加速度计常数漂移,如方程(24)所示:

其中表示无人机的姿态角,表示无人机的速度,表示无人机相对于机场的位置,表示角速度漂移,表示加速度漂移。包含这十五个变量的状态方程可以表示为:

通过计算上述方程中每个状态的误差,可以得到误差状态方程:

对状态变量求偏导数,可以得到预测模型的状态空间方程:

其中:

然后连续时间状态转移矩阵为:

连续时间噪声矩阵为:

噪声项为:

测量方程的离散形式可以表示为:

进一步表示为:

其中表示视觉定位系统计算出的无人机三维位置。测量噪声满足正态分布:

扩展卡尔曼滤波器的思想是通过对方程进行泰勒级数展开来线性化非线性系统,并省略高阶项。随机非线性系统的离散时间数学模型为:

在方程中,是选定的状态变量。和是不相关的零均值白色噪声序列,分别代表系统噪声向量和测量噪声向量,它们满足:

其中是系统噪声序列的协方差矩阵,是测量噪声序列的协方差矩阵,是脉冲函数。通常要求是正半定的,是正定的。

考虑到两个导航子系统的更新频率不同——IMU的计算频率高而视觉定位算法的计算频率低——采用“时间戳”方法进行同步。具体来说,IMU子系统以高频率持续执行状态递归,提供状态变量及其协方差的先验估计。当低频视觉定位算法数据到达时,它会触发一次测量更新,以获得状态变量及其协方差的后验估计。如图8所示,时间轴主要由高频状态递归占据。如果当前视觉导航计算时刻满足条件,则会执行测量更新。测量更新后,后验估计的状态变量及其协方差会被输入到下一个状态递归周期中,以便继续进行先验估计。这个周期不断重复,完成数据同步过程。图8. 数据同步时间戳示意图。

为了验证跑道宽度估计算法和视觉定位算法的有效性,我们构建了一个用于固定翼飞机降落的虚拟仿真平台。我们使用了飞机的前置摄像头来捕捉跑道信息,并应用我们的算法来估计虚拟环境中无人机(UAV)相对于跑道的宽度及其三维位置。我们为UAV设计了控制律和降落导引律,并使用软件构建了虚拟跑道场景。在UAV前方设置了一个观察点来模拟前置摄像头,其视野是人工设计的。通过校准获得了摄像头的内参参数。在Visual Studio中,我们以大约12 Hz的频率收集了前置摄像头捕捉的图像信息。同时,我们还记录了每一帧对应的飞机姿态,以模拟惯性测量单元(IMU)的信息。

4.1. 跑道宽度估计模型的仿真
由于基于跑道的估计模型需要对垂直方向有显著的位置变化,我们在仿真中省略了UAV的平飞阶段。相反,我们通过调整下滑角来测试估计模型对俯仰角变化的鲁棒性。UAV的飞行过程如下图9所示:UAV从200米的高度开始移动,并依次设定下滑角为10°、5°和0°。图9. UAV飞行过程。我们将跑道宽度分别设置为60米、80米和100米。模拟的UAV降落时间为60秒,在此期间收集了364帧包含边界线的有效图像。通过使用基于边界线的宽度估计模型,我们得到了如图10所示的跑道宽度估计结果。(a) 跑道宽度为60米;(b) 跑道宽度为80米;(c) 跑道宽度为100米。我们将跑道宽度估计的频率设置为每次测量5帧。在基于跑道边界线的宽度估计模型中,基线是飞机在垂直方向上的移动距离。在仿真的早期阶段,两帧之间的基线相对较短,导致跑道估计结果出现较为明显的跳跃。然而,随着仿真的进行,估计结果趋于稳定。在稳态下对估计结果进行平均后,60米、80米和100米的跑道宽度估计值分别约为60.01米、78.76米和98.66米。宽度估计误差在2%以内。

4.2. 视觉定位算法的仿真
无人机的降落轨迹如图11所示。基于使用跑道起始线的宽度估计模型,输出的道路宽度为61.02米。跑道线的几何参数是使用本文设计的检测算法获得的。降落过程中的位置估计仿真结果如下图所示。图11. 视觉定位算法的仿真结果。(a) x轴方向的仿真结果;(b) y轴方向的仿真结果;(c) z轴方向的仿真结果。表2展示了DB方法、FMRLD-Light和LA三种算法在三轴均方根误差(RMSE)方面的定量比较。LA代表本文设计的算法。DB方法和FMRLD-Light在参考文献[15,16]中有提及。三种算法在相同的实验环境下进行了仿真分析。结果表明,LA算法显著提高了系统的整体定位精度。表2. 定位算法的精度指标。仿真结果表明,检测算法能够准确检测跑道线的位置,并能有效估计跑道宽度。利用这些信息,定位算法能够准确估计无人机的三维位置。需要注意的是,x轴定位依赖于跑道起始线的检测。在降落过程的后期,当摄像头无法捕捉到起始线时,x轴的定位结果变为0。通过计算均方根误差(RMSE),可以确定定位精度满足视觉引导降落的要求。

5. 飞行测试分析
为了测试视觉检测和定位算法在现实世界环境中的有效性,本小节设计了一个实验,模拟固定翼无人机在自建缩放跑道上的降落过程。该实验通过手动远程控制模拟固定翼飞行过程,使用降落时捕捉的跑道图像进行视觉定位计算,并以高精度差分GPS定位数据作为位置真实值。实验中使用的硬件设备包括Intel RealSense D455摄像头(英特尔公司,中国上海)(输出频率30 Hz)、Jetson Orin Xavier NX机载计算机(NVIDIA公司,中国上海)以及一个自主研发的飞行控制系统,如图12所示。机载计算机固定在框架上,并通过USB串行端口与摄像头通信,接收摄像头发送的图像信息。摄像头以0°的安装角度固定在机载计算机上方。飞行控制系统包含传感器,如机载IMU、气压计和磁力计。飞行控制系统通过串行通信连接到机载任务计算机NX。图12. 飞行控制系统和机载计算机。实验中使用的缩放跑道是根据机场尺寸要求自设计的,包括跑道编号、跑道中心线标记、跑道门槛标记和着陆区标记。跑道线检测结果如图13所示。从检测结果可以看出,视觉跑道检测算法能够有效从原始图像中检测出跑道区域,去除了杂乱的背景干扰。此外,跑道特征检测算法能够准确检测到三条跑道线、跑道编号和跑道门槛标记,从而获得了关于跑道宽度和方位角的先验信息。这表明视觉跑道检测算法具有良好的鲁棒性和泛化能力。图13. 视觉跑道检测结果。在飞行测试实验中,三轴视觉定位结果分别如图14和图15所示。图14显示了飞行控制机载IMU和视觉定位的融合计算结果,而图15显示了摄像头内置IMU和视觉定位的融合计算结果。图中的三条曲线分别代表差分GPS测量的位置、视觉定位计算的位置和融合算法计算的位置。实验期间共捕获了537张跑道图像,其中包含343张包含跑道起始线的图像。图14. 飞行控制机载IMU和视觉定位融合结果曲线。图15. 相机IMU和视觉定位融合结果曲线。总体而言,视觉定位结果在y轴和z轴上的趋势与真实值一致。从误差曲线可以看出,随着无人机接近跑道,y轴和z轴的定位误差逐渐减小。接近跑道时,x轴的定位误差约为5米,z轴的定位误差约为0.3米,y轴的误差在整个实验过程中大致保持在0.5米以内,均满足无人机降落的要求。同时,曲线显示纯视觉导航输出出现了显著的波动和意外异常值。这是由于视觉定位算法的瞬时检测结果偏离了实际跑道,以及摄像头在低空无法捕捉到完整的跑道目标所导致的。结合扩展卡尔曼滤波器(Extended Kalman Filter)的集成导航输出有效地克服了波动和异常值的问题,其趋势与参考输出一致。

6. 结论
本文提出了一种基于多任务网络的跑道线检测算法和基于跑道线特征的宽度估计模型。在跑道线检测方面,使用深度学习技术设计了一个多任务网络来检测跑道线和跑道标记。通过检测和后处理跑道标记,可以获取标准跑道的跑道宽度和跑道方向的先验信息。在跑道线检测的基础上,通过跑道左右边界线提出了宽度估计模型。这些模型利用无人机的IMU信息和单目摄像头捕获的图像数据来估计跑道宽度,为后续的定位任务奠定了基础。此外,还分析了无人机降落过程中俯仰角变化对宽度估计的影响,并在两种估计模型中纠正了由俯仰角引起的估计偏差。最后,设计了一种视觉定位算法,利用检测和估计算法获得的跑道线参数和跑道宽度信息来计算无人机相对于跑道的三维位置。所提出的检测算法、估计模型和定位方法可以部署在配备单目视觉传感器的无人机上,实现在降落过程中的自主相对位置计算,并实现自主降落功能。本文设计的视觉降落算法在缺乏GPS信息的情况下具有良好的引导效果。然而,视觉传感器不可避免会受到极端天气条件的影响。为了应对无人机在较大侧滚或偏航、大雾、沙尘暴、降雨和降雪等条件下降落时面临的视觉检测挑战,建议在跑道检测算法之前融入深度学习领域的先进图像增强算法,从而提高算法在不同天气条件下的鲁棒性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号