一种改进的巡视器惯性/视觉组合导航模型

在传统的以惯性与视觉相对运动参数差为观测量的惯性/视觉组合导航模型中,为了得到简单的观测矩阵,惯性相对旋转四元数与平台失准角之间的函数关系往往通过近似处理得到。但当航向角较大时,该近似处理的误差很大,不可忽略。为解决该问题,文章提出了一种不需该近似处理的改进的观测量误差分析方法,并建立了改进的观测模型。该方法利用含误差的惯性姿态已知的特点,得到了更精确的惯性相对旋转四元数误差表达式,减少了Kalman滤波中惯性与视觉相对旋转差的状态模型预测误差。月面仿真和地面试验表明该改进方法相比传统方法可实现更高的导航精度,其中位置精度提高达68%。

面向四轴飞行器的视觉-惯性组合导航

针对传统全球定位系统(GPS)导航精度不足的问题,提出了一种视觉导航和惯性导航的组合方法。该方法对图像特征点进行提取,通过图像金字塔对图像进行尺度变换计算特征点的光流,实现了对相邻图像帧的特征点的匹配,从而得出了四轴飞行器的速度矢量和航迹角。通过对惯性传感器的数据进行四元数解算,将得到的姿态角和航迹角进行融合,从而对速度矢量进行补偿和积分,最终得到四轴飞行器的航迹位移矢量。相对于传统GPS导航,该组合导航方法将四轴飞行器导航的每千米误差降低了1.61%,具备四轴飞行器导航条件。

室内微型组合导航计算机设计

通过对室内导航技术的分析,结合嵌入式控制技术和和微机电系统(micro electro mechanical systems,MEMS)技术,提出了基于MEMS惯性/视觉的室内微型组合导航计算机设计方案。该方案以室内导航的性能需求为基础,设计了以MEMS惯性传感器和摄像头为主要传感器电路,并融合各模块数据完成了计算机系统设计。测试结果表明该系统能够正确采集前方障碍物的距离信息和运动信息,体积小,可靠性高,满足室内导航的要求。

拒止环境下视觉辅助定位与导航技术综述

当前导航系统严重依赖GNSS信号,导致武器系统在拒止环境下无法工作,视觉导航是一种新型的可以替代GNSS的导航方法。通过分析视觉导航的实现方式以及不同传感器方案的适用场景,得出单目视觉SLAM方法适合在野外作战环境提供导航信息的结论。针对单目SLAM算法,分别综述基于滤波器与基于最优化两类算法的研究现状。介绍视觉惯性组合导航的优势与研究发展现状,最后指出视觉组合导航是导航算法完善化、智能化的前进方向。

基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法

为了提高无人机视觉/INS组合导航系统的位姿估计精度,提出了一种基于灰色模型和改进粒子滤波的无人机视觉/INS导航算法。首先,针对视觉传感器数据易受外界因素干扰的问题,利用灰色预测理论建立基于视觉的位姿解算数据灰色模型,减小视觉解算数据误差对导航精度的不利影响;然后,引入萤火虫算法改进粒子滤波的重采样过程,并采用改进后的粒子滤波算法实现并提升视觉/INS组合导航系统的位姿解算精度。最后,自主搭建了四旋翼无人机实验平台。实验结果表明,采用扩展KF滤波的无人机组合导航算法将位姿估计的误差控制在3.2 cm内,所设计算法可以将误差控制在2.3 cm内,无人机位姿估计精度水平提高了39%。

新型优化策略在视觉惯性导航系统中的应用

为了解决视觉惯性组合导航系统状态估计耗时长、实时性差的问题,提出一种改进dogleg算法作为求解算法。首先推导了完整的视觉惯性融合模型:视觉信息利用相机模型投影到像素平面,使用光流法进行特征点的跟踪,并利用PNP优化方法计算视觉位姿,惯性信息利用惯性预积分获得视觉间的相对位姿,有效提高计算效率;然后基于上述信息推导了融合算法中用于非线性优化计算的雅克比矩阵,以及视觉惯性组合系统模型损失函数;最后应用改进dogleg算法进行状态估计。经过数据集实验以及跑车实验可以得出,改进算法优于传统LM算法,平均耗时降低约60%,具有更好的收敛速度,满足实时性要求;同时对精度有17%左右的提高,具有更好的实用性。

一种基于惯性/视觉信息融合的无人机自主着陆导航算法

无人机自主着陆过程中需要实时获得高精度的导航信息,对自主性、实时性的要求较高。现有的导航方式都存在各自的不足,且在室内等新型环境中不能使用。针对这一问题,提出了一种视觉/惯性组合导航算法。首先建立了世界坐标系下惯性导航的数学模型,随后通过Kalman滤波实现位置、姿态匹配,其中位置匹配完成速度误差、加表零偏的估计;姿态匹配完成安装误差角、陀螺漂移的估计,并利用估计得到的安装误差角和视觉导航系统输出的姿态信息对惯导姿态进行修正。仿真结果表明,该算法具有一定的工程应用价值。

车载大视场视觉惯性组合导航算法研究

车载视觉导航在大角度旋转和高速运动等场景下表现不佳,由于视觉和惯性的误差特性互补,所以视觉惯性组合导航算法有良好的应用前景。大视场相机获取外界信息丰富,但大视场相机采样频率低影响视觉数据采集,而且基于优化的组合导航算法计算速度慢,故提出了一种适用于大视场相机的车载视觉惯性组合导航算法。该算法侧重于数据预处理:设计了基于伽马函数的对比度受限自适应直方图均衡化来降低图像噪声,通过FAST角点与光流法的组合完成特征提取与跟踪,进一步加快了计算速度。引入了惯性数据等效旋转矢量二子样算法来减少数据量和计算量,通过预积分算法为误差优化减少计算量,通过视觉误差、惯性误差以及边缘化误差联合优化来提高精度。与其他组合导航算法相比,该算法精度较高,计算速度最快,与VINS-Mono相比节省时间19.7%。

基于改进的自适应平方根容积卡尔曼滤波相对导航算法

针对无人机编队飞行时由于目标建模的不确定性导致相对导航滤波算法精度降低甚至出现滤波发散的问题,提出了一种自适应平方根容积卡尔曼滤波算法。首先,建立了无人机双机编队时的相对导航模型。然后,基于新息的自适应修正准则,对滤波状态预测量进行修正,进行了基于自适应修正的平方根容积卡尔曼滤波相对导航算法设计。最后,开展了仿真计算与结果分析。仿真结果表明,该算法具有较好的滤波精度和稳定性,且当目标运动状态与模型不匹配时,该算法与平方根容积卡尔曼滤波算法相比有更好的滤波性能。

GPS拒止区域的辅助INS导航方法综述

GPS信号较弱,在信号受到遮挡或被干扰的情况下出现GPS拒止区域,传统仅依靠INS的导航系统导航误差随时间发散,定位精度低。针对该问题,根据不同应用场景介绍了零速修正辅助INS的导航方法、径向基神经网络辅助INS的导航方法、视觉传感器辅助INS的导航方法;详细给出了各个导航方法中的常见算法、近年来的创新之处和定位精度;展望了GPS拒止区域导航方法的发展趋势,提出自适应性和通用性更强的全源定位导航技术,以及成本低、鲁棒性强的机会信号导航技术是未来的发展方向,为后续GPS拒止区域导航方法的研究提供参考信息。