微型無人機(jī)視覺慣性導(dǎo)航.pdf

1、和地面機(jī)器人不同，微型無人機(jī)具有在三維空間中的機(jī)動(dòng)能力，這使得它們能夠進(jìn)入人類很難到達(dá)的環(huán)境中完成許多危險(xiǎn)的任務(wù)。對(duì)于監(jiān)視、偵查、救援等任務(wù)，微型無人機(jī)必須能夠不依賴預(yù)存的地圖或者對(duì)環(huán)境的具體假設(shè)進(jìn)行導(dǎo)航。本文為了解決微型無人機(jī)在未知環(huán)境中不依賴于GPS的導(dǎo)航問題，討論了從單目視覺輸入測(cè)量機(jī)體姿態(tài)和位置的方法，以及基于視覺和慣性傳感器的卡爾曼濾波器的設(shè)計(jì)。并通過實(shí)驗(yàn)驗(yàn)證了算法設(shè)計(jì)的有效性。
　　首先針對(duì)在采集圖像序列時(shí)可能會(huì)引入的

2、運(yùn)動(dòng)模糊、缺乏角點(diǎn)信息等問題，對(duì)特征各種特征檢測(cè)算法進(jìn)行了比較分析與試驗(yàn)。為了解決特征點(diǎn)集中分布在圖像的一小塊區(qū)域的問題，設(shè)計(jì)了分塊特征檢測(cè)的方案。然后針對(duì)從特征對(duì)應(yīng)計(jì)算本質(zhì)矩陣的問題研究了經(jīng)典的五點(diǎn)算法，同時(shí)為了減小圖像噪聲等原因?qū)е碌恼`對(duì)應(yīng)特征對(duì)本質(zhì)矩陣計(jì)算的不利影響，設(shè)計(jì)了RANSAC算法與五點(diǎn)算法結(jié)合的方案用來剔除外點(diǎn)?？紤]到五點(diǎn)算法對(duì)攝像機(jī)的姿態(tài)估計(jì)會(huì)隨攝像機(jī)運(yùn)動(dòng)而漂移的特點(diǎn)，采取兩點(diǎn)算法與航姿參考系統(tǒng)結(jié)合的方案來估計(jì)本質(zhì)矩陣

3、，并使用MATLAB測(cè)試了兩點(diǎn)算法和RANSAC算法結(jié)合的位置測(cè)量效果。
　　接下來針對(duì)從本質(zhì)矩陣計(jì)算位姿矩陣的問題，研究了如何使用對(duì)應(yīng)圖像點(diǎn)三角化的方法來估計(jì)空間點(diǎn)位置，進(jìn)而可以計(jì)算出位姿矩陣間的相對(duì)尺度，從而通過對(duì)經(jīng)過尺度校正的相對(duì)位姿矩陣的逐次累乘最終得到攝像機(jī)位姿矩陣序列。最后針對(duì)上述位姿矩陣估計(jì)方法產(chǎn)生的漂移較大的問題，研究了局部光束平差法同時(shí)對(duì)空間點(diǎn)位置和攝像機(jī)位姿參數(shù)進(jìn)行局部優(yōu)化的方法，以期減小運(yùn)動(dòng)估計(jì)的漂移。

4、>　　最后為了改善單目視覺位姿測(cè)量的動(dòng)態(tài)性能，同時(shí)為位置PD控制提供速度估計(jì)值，本論文引入了慣性測(cè)量元件，設(shè)計(jì)了視覺慣性組合導(dǎo)航算法。針對(duì)視覺慣性組合導(dǎo)航系統(tǒng)的設(shè)計(jì)問題，首先對(duì)比了兩種過程模型的優(yōu)劣，最后選擇了直接IMU輸入的過程模型，以此為基礎(chǔ)設(shè)計(jì)了擴(kuò)展卡爾曼濾波器，除了對(duì)機(jī)體相對(duì)于世界坐標(biāo)系的位置、速度、姿態(tài)進(jìn)行估計(jì)以外，還對(duì)慣性測(cè)量元件的零偏、視覺測(cè)程法引入的位置測(cè)量尺度因子、IMU坐標(biāo)系與攝像機(jī)坐標(biāo)系的相對(duì)位姿等參數(shù)進(jìn)行估計(jì)。最