[發(fā)明專利]一種GPS拒止環(huán)境下無人機集群實時定位方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910328764.6
• 申請日: 2019-04-23
• 公開（公告）號: CN110068335B
• 公開（公告）日: 2021-07-30
• 發(fā)明（設計）人: 王維平;汪冬惠;王濤;李小波;朱一凡;周鑫;王彥鋒;井田;陳偉;常強
• 申請（專利權(quán)）人: 中國人民解放軍國防科技大學
• 主分類號: G01C21/20
• 分類號: G01C21/20;G01C21/16
• 代理公司: 重慶市信立達專利代理事務所(普通合伙) 50230
• 代理人: 包曉靜

1.一種GPS拒止環(huán)境下無人機集群實時定位方法，其特征在于，所述GPS拒止環(huán)境下無人機集群實時定位方法包括：

第一步，圖像采集模塊實時采集無人機的視覺傳感器捕獲的圖像信息并對所獲的圖像信息進行預處理；

第二步，長機通過通信模塊實時接收僚機的圖像特征信息及位姿信息，進行特征檢測、匹配以及3D重建構(gòu)建周圍環(huán)境的全局地圖，并將得到的全局地圖通過通信模塊傳送給僚機；

第三步，各僚機及長機通過內(nèi)部定位模塊跟蹤全局地圖的特征點，若跟蹤到的特征點數(shù)量低于某一閾值，則返回上一步重新構(gòu)建全局地圖，否則根據(jù)追蹤到的特征點并結(jié)合IMU模塊的測量值估計自身的位姿，即可得到初步的定位結(jié)果；

第四步，僚機還將通過相對定位模塊計算其與長機的相對位姿修正上一步的定位結(jié)果；

第五步，輸出模塊實時輸出修正后的定位結(jié)果；

所述第一步無人機集群首先檢測并匹配其所捕捉到的圖像之間的顯著特征，圖像特征點是圖像灰度值發(fā)生劇烈變化的點或者在圖像邊緣上曲率較大的點；采用了AKAZE算法提取圖像特征點；接著采用暴力匹配算法匹配圖像特征點，得到匹配的特征點對；

所述第二步對匹配到的共性特征進行三角化，形成稀疏重構(gòu)，生成所有無人機共享的全局地圖，全局地圖的構(gòu)建過程如下：對所有無人機相機采集的圖像進行兩兩的特征點匹配，選取共性特征點最多的兩張圖像開始初始的3D重建，生成了初始的地圖，其它無人機將根據(jù)它們對初始地圖特征點的跟蹤逐步地被包含在這個3D重建地圖中，最終得到關(guān)于周圍環(huán)境的全局地圖；

3D重建的過程是：根據(jù)特征匹配點對利用五點算法估計本質(zhì)矩陣E，兩個視圖之間的相對旋轉(zhuǎn)R和平移t在與本質(zhì)矩陣有如下關(guān)系：

E＝[t]×R；

由上式，通過SVD分解本質(zhì)矩陣得到相對位姿；再根據(jù)相對位姿，從而恢復兩相機的投影矩陣，即可利用三角法及特征點重建出三維點；

所述第三步隨著無人機的移動，每架無人機通過跟蹤全局地圖中的特征點，并結(jié)合IMU的觀測值估計各自的位姿；通過基于優(yōu)化的緊耦合方法融合視覺數(shù)據(jù)和IMU數(shù)據(jù)，即通過最小化重投影誤差加上IMU的時間誤差的和對位姿估計進行改進，其數(shù)學表達式為：

其中m_k表示k時刻無人機的位姿估計值，P是相機投影矩陣，P(X_i，m_k)表示將三維點x_i投影到相機圖像平面上的位置，而x_i是k時刻圖像中實際特征點位置，f(m_k-1，z_k)表示k時刻IMU的測量值為z_k得到的無人機位姿推導值，V_k表示有關(guān)IMU的運動方程的協(xié)方差矩陣；在內(nèi)部定位過程中還利用了卡爾曼濾波框架對無人機狀態(tài)進行預測和更新；

所述第四步協(xié)方差交集算法融合內(nèi)部定位結(jié)果與相對定位結(jié)果的具體步驟是：

通過下列公式并使用相對測量數(shù)據(jù)無人機i計算出它與長機j的相對位姿和協(xié)方差的估計值，記之為和

然后使用協(xié)方差交集算法將這兩個估計值進行融合：

2.如權(quán)利要求1所述的GPS拒止環(huán)境下無人機集群實時定位方法，其特征在于，所述GPS拒止環(huán)境下無人機集群實時定位方法無人機配備單目攝像頭，且與其他無人機進行通信，共享地圖信息，傳輸或接收相對位姿數(shù)據(jù)。

3.如權(quán)利要求1所述的GPS拒止環(huán)境下無人機集群實時定位方法，其特征在于，所述GPS拒止環(huán)境下無人機集群實時定位方法的無人機通過特征匹配和基于多視圖幾何的相對位姿計算，將相對測量與單個測量融合；無人機集群繼續(xù)飛行，跟蹤到的特征點的數(shù)量低于某一閾值時，則無人機集群重新檢測并匹配其所捕捉到的圖像的特征點，更新全局地圖。