文摘
本文提供了一套新颖的导航技术,依靠惯性传感器的使用和广角光学流信息。飞机地面速度和态度状态估计与一个无味的信息过滤器(UIF)和评估对两组实验飞行数据收集从一个无人机(UAV)。提出了两种不同的配方,一个完整的状态制定包括速度和态度和简化公式假定飞机的侧向和垂直速度可以忽略不计。额外的状态也被认为是在每个配方恢复图像距离可以使用激光测距仪测量。结果表明,整个国家制定能够估计飞机地面速度在1.3 m / s的GPS接收器解决方案作为参考“真相”和规范的态度角度误差在1.4度标准差两组的飞行数据。
1。介绍
飞机的速度和态度的信息是很重要的,以用于各种目的,如遥感(1)、导航和控制2]。传统的低成本航空导航依赖于使用的惯性传感器和全球定位系统(GPS) (3- - - - - -5]。虽然GPS可以为飞机提供有用的信息系统,这些信息并不总是可用的或可靠的在某些情况下,如在城市环境中飞行或其他GPS定位领域(例如,在射频干扰或强烈的太阳风暴)。GPS在飞机不是独立的系统;而来自外部的信息卫星。昆虫,如蜜蜂,展示了令人印象深刻的功能在飞行导航接收外部通信(6]。一个重要信息来源,使用昆虫和鸟类视觉[6- - - - - -8]。这些信息也可以用于飞机通过机载摄像机的使用。这种信息丰富的数据被正确处理的挑战与其他机载传感器和集成视觉数据测量(9]。
视觉数据可以使用特征检测算法处理如尺度不变特征变换(筛选)10]获得光流矢量,以及其他技术。光流对飞机系统是有用的,因为它有丰富的导航信息,简单的代表,和容易计算11]。的好处之一是它可以使用此信息来提取飞机的速度信息,进而可以用于飞机定位。这个光流信息用于自主导航应用,如相对航向和横向位置估计quadrotor直升机(12,13]。另一个工作被认为是光流的使用无人机起飞和降落(14和地标导航15]。光流的另一个潜在的好处是,它隐式地包含飞机姿态角信息。这种隐含的信息被用于相关工作无人机姿态估计使用地平线检测和光学流沿着地平线(16,17为hexacopter[]和姿态估计18),一个月球车19),和宇宙飞船20.]。虽然这工作很有用,这些车辆包含显著不同于典型的飞机的动态特性。因此,更多的分析应用的光学流对于飞机的应用程序是必要的。
这项工作提出了一种结合速度和姿态估计算法使用广角光学流的飞机不需要地平线检测,这是有用的,因为地平线不需要图像中可见框架为了获得信息的态度。算法依赖于使用下行光流计算面对摄像机,从激光测距仪和测量惯性测量单元(IMU)安装在相机平行轴,和一个平地的假设来确定飞机的速度和态度的信息。许多现有的实验光学流和惯性传感器融合使用直升机平台和重点位置和速度估计(21,22]。这项工作考虑飞机系统而不是一架直升机,它包含一个显著不同的飞行包线和动力学。此外,监管的态度信息通过使用光学流被认为是,不是通常在现有应用程序完成的。这项工作利用所有检测到的光流点在图像平面上,包括宽场光学流点经常被省略了在以前的作品(23- - - - - -25]。这些宽场光学流点是重要的重要性的态度估计,因为它们包含横滚和俯仰信息不可见的形象中心。虽然这项工作考虑使用激光测距仪来恢复图像场景和相机之间的距离,可以确定这些信息使用其他技术(26]。事实上,它已经表明,规模是一个可观察到的模式的视觉和IMU数据融合问题27]。提供的配方最初提出在其发展的早期阶段(28]。最初出版以来,实现和优化的配方精制,和额外的结果已经生成。特别是,提供一个简化的配方减少了过滤状态,以及一系列的包含状态被认为是。本文的主要贡献是一个稳定的分析vision-aided解决方案的速度和态度决定不使用GPS。验证这个解决方案对两组实际的无人机飞行试验数据。
本文的其余部分组织如下。部分2介绍了不同配方和框架考虑这个问题。部分3描述了实验装置为这项研究被用来收集数据。节中提供的结果4其次是结论部分5。
2。问题公式化
2.1。光流方程
光流的三维相对运动的投影到二维图像平面。使用针孔摄像机模型,三维位置在3 d相机车身骨架可以映射到二维图像平面坐标使用 在哪里,,给出了像素和是焦距。对于一个平行于飞机向下看相机设在,水平和平地假设,光流方程派生(29日]: 在哪里,横滚和俯仰角度,,,是卷、音高和偏航体轴角速率,,,,飞机的地面速度体轴组件,和,光流的组件是在二维图像平面上,在像素/秒。这个方程捕捉光流的各个部分之间的关系与其他导航信息屏。通过只考虑图像接近的区域中心,窄视场光流模型可以简化(23- - - - - -25];然而,这消除了横滚和俯仰依赖方程,因此不可取的态度估计的目的。
2.2。状态空间制定和随机建模
这项工作考虑体轴的同步估计地面速度组件和欧拉角的态度。这个估计是通过惯性测量单元(IMU)测量的融合体轴的加速度和角速率、激光测距仪测量范围,集光流的测量,在那里。的价值基于多少特性随每个时间步的框架可用于光学流计算。使用这些值时,系统的状态空间模型与状态向量后,制定偏差状态向量,,输入向量,、光学流输入向量,和输出向量,: 图描述的定义范围坐标,图中提供1。注意,坐标范围,,相当于照相机坐标,。
为了确定速度的动力学状态,观察到的速度矢量的时间导数的固定导航框架等于时间变化率观测从身体移动轴框架的框架+旋转引起的变化(30.]: IMU措施对固定重力加速度向量,如 在哪里是导航坐标系的旋转矩阵的身体框架: 结合这些结果给出了动力学速度状态(31日]: 态度的动态状态是使用[定义32]
定义偏差的动力学参数,使用一阶高斯噪声模型。在一个相关的工作(33),艾伦偏差(34()方法35,36)是用来确定一阶高斯噪声模型的参数的动态偏差在每个IMU通道。在高斯噪声模型为每个传感器测量包含两个参数:一个时间常数和宽带传感器噪声的方差。使用这个模型,由偏见的动力学参数 在哪里是一个向量的时间常数和n是一个零均值噪声向量和方差由一个对角矩阵的方差为每个传感器方面。时间常数和方差计算(33为每个通道的IMU被认为是在这项研究中。
国家动态方程定义在连续时间使用以下格式: 在哪里是非线性连续时间状态转换函数。为了实现这些方程离散滤波器,使用一阶离散化(37]: 在哪里是离散时间指数f是非线性离散时间状态转换函数,是系统的采样时间。
制定观测方程,利用光流信息。特别是,每个光流点确定从视觉数据由四个价值观:,,,。这些值获得使用点匹配方法(38]和尺度不变特征变换(SIFT)算法(10]。注意,光流的方法一代不是本研究的重点38];因此,可以使用任何其他的光流算法同样在拟议的估计量,没有普遍性的损失。
在状态估计过程中,图像平面坐标观测方程作为输入,允许光流()预测,在图像平面上使用(2),提供的激光测距仪测量,。然后将这些计算可见与光流的测量从视频为了确定如何更新状态。由于多个光流点可以确定在一个时间步,这将创建一个组观测方程,是光流点的数量在时间步吗。
自(7)和(8)来自运动学,唯一必须建模的不确定性是由于输入测量。因此,输入向量是由 在哪里测量输入向量和吗矢量传感器偏差的遵循一阶高斯噪声模型确定(33]。
测量的不确定性是由于错误的光流估计视频。假设每个光学流量测量有添加剂的测量噪声向量,相应的协方差矩阵,。在这项研究中,它也认为,每个光学流量测量进行平等的不确定性和错误在图像平面上的两个组件的方向也有平等的不确定性和不相关的;也就是说, 在哪里是标量光流测量的不确定性和是一个单位矩阵。
2.3。简化公式
典型的飞机的运动主要是前进的方向,也就是说,飞机的速度主要是包含在组件,,而和很小。这个想法,假设和是零,配方是简化为以下状态向量,偏差状态向量,,输入向量,、光学流输入向量,和输出向量,: 注意,这个简化的公式消除了和这消除了需要设在和设在加速度测量。由于偏航状态是不包含在任何国家或观测方程也被移除。由于假设和为零,只有吗光流的方向有关。这些简化动力学状态 偏见的动态状态保持不变在完整的配方,除了相应的偏差状态和已被移除。观测方程(2)简化
主要考虑这个简化公式的优点是减少系统的计算复杂度。视觉数据的处理导致相对大量的测量更新可以显著提高系统的计算时间,特别是对于高采样率。这不仅简化公式通过减少国家减少了计算时间,而且大大降低了光流的处理和更新时间测量,因为只有向前组件使用的流。这个配方可以更实际的完整状态制定实时实现,尤其是在系统上有限的计算能力,例如,成本或大小的限制。
2.4。包含一系列的状态
可以包含一个状态估计为了恢复的规模范围图像光流。确定范围的动态状态,平地的假设。这种假设,考虑区间向量上的投影到地球定点设在,“下来”,如图1通过投影,通过飞机横滚和俯仰角度: 在这里,因为使用负号协调总是正的,而协调将负当飞机离地面(由于“向下”公约)。对时间的导数的收益率 比较这个从身体旋转飞行器速度方程,获得速度分量为固地框架: 将这两个表达式速度了 简化这种关系导致 用动力学的横滚和俯仰角度和简化导致状态动态范围以下表达式: 注意,对水平条件,横滚和俯仰角度为零,方程减少 同意物理直觉。为了实现国家范围的简化公式,可以使用以下表达式:
2.5。信息融合算法
由于非线性,非相加多个光流噪声和数字测量范围从0到300的意思是每帧250年,无味的信息过滤器(UIF) [39- - - - - -41)被选为这个算法的实现(42]。信息过滤框架在卡尔曼滤波的优点是冗余信息向量加法(39- - - - - -41];因此,时变的输出从光流可以很容易地获得相对较低的计算处理,因为不同的光学流测量中的错误之间的耦合是被忽视的。UIF算法总结如下(41]。
考虑一个离散时间非线性动态系统的形式 测量方程的形式 在哪里观察函数和吗和是零均值的高斯过程和测量噪声向量。在每个时间步,sigma-points先验分布产生的使用 在哪里州和总数吗是一个尺度参数(42]。现在,sigma-points预计使用 在哪里表示矩阵的列。的先天的数据恢复: 在哪里过程噪声协方差矩阵,然后呢和是权重向量(42]。使用这些预测值,向量的信息,矩阵,确定: 为每一个测量,每个光流,输出方程为每个sigma-point评估,如 在哪里表示输出sigma-point上标表示th sigma-point和测量。计算观察然后恢复使用 使用观察,计算cross-covariance计算: 然后观察灵敏度矩阵,决定: 贡献的信息可以计算:
3所示。实验装置
用于本研究的研究平台是西弗吉尼亚大学(西弗吉尼亚大学)“红色Phastball”无人机,如图2,一个定制的GPS / INS数据记录器安装在飞机(28,43]。一些细节表提供了这架飞机1。
乌兹别克斯坦伊斯兰运动在这项研究中的应用是一个模拟装置adis - 16405 MEMS-based IMU,包括三轴加速度计和陀螺仪。每个传感器套件IMU的收购是18位分辨率在50 Hz范围±18 g和±150度/ s,分别。GPS接收机中使用的数据记录器是Novatel OEM-V1,它被配置为提供笛卡尔位置和速度测量和解决方案的速度标准差50 Hz,拥有1.5 RMS水平位置精度和0.03 m / s均方根速度精度。一个Optic-Logic RS400激光测距仪用于测量范围的近似精度1米和366米,下行。此外,一个高质量的Goodrich机械垂直陀螺仪安装车载无人机提供俯仰和滚作为测量传感器融合“真相”数据,与报道的准确性在0.25°的真正的垂直。垂直陀螺仪测量获得的16位分辨率和测量范围的±80度辊和±60度。
还装有一个英雄摄像头是安装在重心无人机的飞行视频集合,向下。相机以前校准的焦距1141像素(29日]。两组不同的飞行数据被用于这项研究中,每一个使用不同的相机设置。第一次飞行使用1920×1080像素大小和采样率为29.97赫兹。第二个航班使用1280×720像素大小和采样率为59.94赫兹。所有其他传感器数据被收集在50 Hz,重新取样后通的相机时间验证手动同步。
4所示。实验结果
4.1。飞行数据
两组从西弗吉尼亚大学“红色Phastball”飞机飞行数据被用于这项研究。每个航班由大约5分钟的飞行。从这两个数据集是自顶向下的飞行轨迹覆盖在谷歌地球飞行测试位置在图的图像3。六种不同的独特的标记被放置在图3为了识别特定的点沿着轨迹。这些标记将用于未来的数据以同步数据的表示。
(一)
(b)
4.2。选择的光流测量噪声的假设
自噪声的特性建立了IMU从以前的工作33),只有不确定性的特点,在激光测距和光学流测量需要确定。激光测距仪测量的不确定性建模为1 m零均值高斯噪声,根据制造商的报道传感器的精度。光流模型错误更困难。由于这个困难,不同的假设被认为是光流的不确定性。使用两组飞行数据,整个国家UIF每个假设光流的不确定性被处决。评估滤波器的性能,速度测量与参考测量从GPS已映射到飞机框架使用垂直陀螺仪和横滚和俯仰测量近似的偏航由GPS。横滚和俯仰估计与垂直陀螺仪的测量进行了比较。由于定位错误的可能性,只有误差标准偏差被认为是。这些错误为每个组飞行数据,计算结果如图4。
图4展示了如何改变假设光流的不确定性影响的估计性能总地面速度、横摇角、螺旋角。相对平坦的区域图4假设光流标准偏离大约3至9像素表明该配方调优这些光学流错误相对不敏感。它也是有趣的图4飞行飞行# 1和# 2的最佳性能在不同的值。这不过是有道理的,因为飞行# 2两次飞行# 1的帧率;因此,假定噪声特征应该是飞行# 1的一半。从图4选择,光流的不确定性像素2飞行# 1和像素2对飞行# 2。
4.3。国家制定的评估结果
使用每一组飞行数据,整个国家制定使用UIF被处决。速度的估计成分为飞行# 1在图所示5和飞行# 2图6。这些估计从UIF提供关于可比从GPS,引用值被映射到飞机框架使用垂直陀螺仪和横滚和俯仰测量近似偏航角和航向角获得GPS。从这些数字,下面可以进行观测。前进的速度,合理的被估计。横向速度,和垂直速度,然而,证明有些贫穷的结果。这也不过是有意义的,飞行的主要方向是向前,因此导致良好的可观测性特征光流方向前进,而信噪比(信噪比)横向和垂直方向仍然是最典型的小型飞行条件。然而,由于这些横向和垂直组件是只有一小部分的总速度,总可以通过这种技术合理的近似速度。总速度估计如图7与GPS参考飞行# 1。
的态度估计横滚和俯仰角度与垂直陀螺仪测量作为参考,如图8。为了证明该方法的有效性在调节发生漂移的态度估计和航迹推算,估计错误的UIF比较估计和航迹推算得到的错误态度。这些横滚和俯仰误差图9对飞行# 2。图9证明的有效性UIF调节航迹推算的错误态度。
为了量化评估结果,平均绝对误差和标准偏差估计误差的计算速度组件对GPS参考和横滚和俯仰角度对垂直陀螺仪参考。这些统计结果表中提供2对飞行# 1和表3飞行# 2,总速度由吗 这是显示在表中2和3合理的错误得到两套飞行数据为飞机的速度和态度。更大的错误是在特定的横向速度状态,,这是由于在光学流可观测性问题。注意,意味着横滚和俯仰估计中的错误可能是由于偏差之间的垂直陀螺仪,IMU和视频相机。报告的态度估计精度表2和3类似报道的准确性松散耦合的GPS / INS的态度估计使用类似的飞行数据(43]。
4.4。简化公式估算结果
观察到完整的国家制定以来,横向和垂直估计结果小,简化公式为了调查实施的可行性的一个简化版本滤波器估计只有前进速度分量和假设横向和垂直分量为零。前进的速度,飞行# 1提供在图10,而横滚和俯仰误差对垂直陀螺仪测量图11UIF和航迹推算(DR)。此外,平均绝对误差和标准差误差提供了这些术语表4对飞行# 1和表5对飞行# 2。
这是显示在表中4和5的简化公式的结果明显高于态度估计误差对制定完整的状态。这些增加的态度错误可能由于假设横向和垂直速度分量为零。调查这可能的相关性,横滚和俯仰误差图所示12与横向和垂直速度的大小决定从GPS 50秒钟段的飞行数据,包括起飞。图12表明有一些态度估计误差之间的相关性和横向和垂直速度,虽然不是唯一的这些估计的误差来源。
4.5。结果使用范围状态
每个航班的结果对于整个国家制定和简化公式重新计算范围的状态。这些测试提供的统计结果表6- - - - - -9。
为了比较不同情况下的结果,误差的标准差是# 1在图以图形方式显示飞行13和飞行# 2图14。这是如图13和14简化公式提供贫困估计性能如预期,特别是对估计的态度。的范围明显状态不影响性能。
5。结论
本文提出了vision-aided惯性导航技术不依赖GPS使用无人机飞行数据。提出了两种不同的配方,一个完整的状态估计制定了飞机地面速度矢量和的态度和一个简化的公式假定所有飞机的速度是前进的方向。配方都证明是有效地规范INS漂移。此外,一个国家是包含在每个配方来估计图像中心和飞机之间的距离。完整的国家制定了有效估计飞机地面速度在1.3 m / s和调节态度角度误差在1.4度标准差两组的飞行数据。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是支持部分由NASA批准号PDG NNX12AM56A,堪萨斯NASA EPSCoR授予和斯里兰卡格兰特。