无人机自主导航测绘大比例尺地形图及应用

利用无人机与GPS相结合的手段,通过航线理论的设定,修正航迹按规划航线飞行,形成了一套完整的无人机自主导航测绘大比例尺地形图技术,圆满完成乌东德水电站移民安置规划区1∶2000航空摄影测量项目,成果质量满足规范要求,达到设计规划目的。

基于粒子滤波的无人机自主轨迹视觉导航控制方法研究

针对现有无人机导航控制方法存在的控制效果不佳的问题,提出一种基于粒子滤波的无人机自主轨迹视觉导航控制方法研究;利用粒子滤波算法,实现对无人机自主轨迹视觉导航控制方法的优化设计;采用栅格法构建无人机飞行环境地图,根据无人机的机械组成结构和工作原理,构建运动状态模型;利用内置的摄像机设备采集视觉图像,执行图像灰度转换、几何校正、滤波等预处理步骤;通过对视觉图像的特征提取,判断当前环境是否存在障碍物;利用粒子滤波算法确定无人机位姿,结合障碍物识别结果规划无人机的自主飞行轨迹;将位置、速度和姿态角的控制量计算结果,输入到安装的导航控制器中,完成无人机的自主轨迹视觉导航控制任务;通过实测分析得出结论:研究方法的速度控制误差最低为0.07%,速度控制误差最低为14%,位置控制误差的平均值为2.1 m,低于预设值;即设计的导航控制方法具有良好的控制效果。

基于迁移学习SAE的无人机目标识别算法研究

无人机在复杂战场环境下,因敌我双方无人机外形、颜色等特征较为相似,如何准确地对敌方无人机识别是实现其自主导航及作战任务执行的关键。由于受敌方无人机飞行速度、形状、尺寸、姿态等的改变及气象环境因素的影响,无法准确地对其进行识别与分类。针对这一问题,提出基于迁移学习卷积稀疏自动编码器(Sparse Auto-Encoder,SAE)实现对航拍多帧图像中敌方目标对象的识别与分类。算法首先借助SAE对源领域数据集中大量无标记样本进行无监督学习,获取其局部特征;然后,采用池化层卷积神经网络(CNN)算法提取目标图像全局特征;最后,送入Softmax回归模型实现目标对象的识别与分类。实验结果表明:与传统非迁移学习的SAE算法及基于底层视觉特征学习的识别算法相比,该算法具有更高的准确性。

面向无人机自主导航的立体匹配算法

无人机自主导航是无人机发展的必然趋势,立体视觉技术作为一种优秀的环境信息测量技术能够为无人机自主导航提供关键信息.但是,导航图像存在幅度失真,现有立体匹配方法的匹配精度较低,针对Census变换舍弃了图像像素色彩信息而造成的误匹配问题,本文提出了一种Census变换和图像色彩信息相结合的联合匹配算法,并经过理论分析提出了正交积分的方法以提高算法的实时性.首先,将Census变换和图像色彩信息联合,构造初始匹配代价;然后,采用改进的自适应窗口作为代价累积窗口,并使用正交积分思想提高累积速度;最后,经过视差提精,获得最终的视差图.实验结果表明:本文算法对幅度失真图像的匹配误差比单独使用Census变换提高了40%～50%,算法的运算时间提速了3～12倍,与Census变换和图像灰度单独作为匹配代价时相比,该方法具有更高的匹配精度,对幅度失真有很强的鲁棒性,能够较好地应用于无人机自主导航场景中.