[發明專利]一種基于小波神經網絡的視覺慣性衛星緊耦合定位方法

有效

• 申請號: 202010655871.2
• 申請日: 2020-07-09
• 公開（公告）號: CN111880207B
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 高唱;曾慶喜;陳則王;呂查德;闞宇超
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/25;G06T7/246;G06T7/254;G06T7/73;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 陸燁

1.一種基于小波神經網絡的視覺慣性衛星緊耦合定位方法，其特征在于，具體包括如下步驟：

步驟一：在載體上安裝雙目攝像機VO、慣性傳感器IMU和GNSS接收機，組成定位系統；

步驟二：對系統進行初始化，將VO坐標系和IMU坐標系均轉換到GNSS的世界坐標系下，并將VO、IMU和GNSS采集的數據進行時間同步；

步驟三：跟蹤第k時刻圖像幀中的FAST特征點，從而得到第k+1時刻圖像幀中的FAST特征點；

步驟四：基于相鄰兩幀圖像之間的FAST特征點，計算該相鄰兩幀圖像之間的VO重投影誤差；

步驟五：對第k時刻與第k+1時刻之間IMU測得數據進行預積分，得到IMU誤差傳遞模型，利用該模型對相鄰兩時刻之間IMU測得數據進行噪聲處理，從而計算出相鄰兩個時刻之間IMU的慣性殘差；

步驟六：根據步驟四中的重投影誤差和步驟五中的慣性殘差，計算得到第k+1時刻時載體位置的估計值；

步驟七：判斷GNSS信號是否被遮擋，若否，則根據第k時刻載體位置估計值和第k+1時刻載體位置估計值之差，設置GNSS接收機搜索的頻域范圍，GNSS接收機在設置的頻域范圍內對衛星信號進行三維搜索，測得第k+1時刻載體的位置信息，并且以GNSS接收機測得的載體的位置信息與載體實際位置之間的殘差、IMU的慣性殘差和VO的重投影誤差的三者之和最小為目標，建立優化函數，并求解該函數得到第K+1時刻時載體位置的最優估計值；若GNSS信號被遮擋，則轉步驟八；

步驟八：將第k時刻和第k+1時刻之間的VO重投影誤差與IMU慣性殘差之和輸入至訓練好的小波神經網絡中，從而得到第k+1時刻載體位置估計值的修正量，并基于該修正量調整第k+1時刻時載體位置的估計值，從而得到第k+1時刻時載體位置的最優估計值；所述訓練好的小波神經網絡具體為：在GNSS信號沒有被遮擋的情況下，采集n組相鄰兩個時刻之間的VO重投影誤差和IMU慣性殘差，將第q組重投影誤差和第q組慣性殘差之和作為小波神經網絡的輸入向量，將第q組重投影誤差和第q組慣性殘差對應的載體位置估計值與載體位置實際值之差作為第q組修正量，并將該修正量作為小波神經網絡的輸出向量，q＝1,2,…n，基于粒子群算法，對小波神經網絡進行訓練；

所述步驟七中的優化函數為：

其中，χ*為視覺-慣性-衛星緊耦合構成的系統狀態變量的最優估計值，χ為視覺-慣性-衛星緊耦合構成的系統的狀態變量，r_G為GNSS接收機測得的載體的位置信息與載體實際位置之間的殘差，J為殘差對狀態變量求導的雅克比，r_B(.)為IMU慣性殘差函數，為第k時刻到第k+1時刻之間IMU的觀測量，為第k時刻到第k+1時刻之間IMU觀測量的權重矩陣，C為第k時刻到第k+1時刻之間所有圖像幀對應的VO測量值的集合，ρ(.)為重投影誤差函數，(l,C_j)為集合C中第j個圖像幀的第l個FAST特征點，為集合C中第j個圖像幀的第l個FAST特征點的灰度值，為集合C中第j個圖像幀的第l個FAST特征點的權重。

2.根據權利要求1所述的一種基于小波神經網絡的視覺慣性衛星緊耦合定位方法，其特征在于，所述步驟三中采用光流計算法跟蹤第k時刻圖像幀中的FAST特征點。

3.根據權利要求1所述的一種基于小波神經網絡的視覺慣性衛星緊耦合定位方法，其特征在于，所述步驟四中采用多點透視法計算相鄰兩幀圖像之間的VO重投影誤差。

4.根據權利要求1所述的一種基于小波神經網絡的視覺慣性衛星緊耦合定位方法，其特征在于，所述步驟八中的粒子群算法采用改進的粒子群算法，具體為：首先讓整個粒子群獨立尋找最優位置，從而構造小生境環境，再將各粒子的搜索信息共享，指導每個粒子向最優位置搜索。

5.根據權利要求1所述的一種基于小波神經網絡的視覺慣性衛星緊耦合定位方法，其特征在于，所述步驟八中小波神經網絡訓練時激活函數選擇莫雷小波函數。

6.根據權利要求1所述的一種基于小波神經網絡的視覺慣性衛星緊耦合定位方法，其特征在于，所述步驟七中設置GNSS接收機搜索的頻域具體為：在[-10KHz,10KHz]的頻域范圍內,以500Hz為頻率步長，GNSS接收機搜索的頻域根據相鄰兩個時刻之間載體位置估計值之差的大小呈線性變化，差值越大則搜索的頻域越大。